Les entreprises du secteur pharmaceutique doivent démontrer la durée de vie de la coque en mesurant les performances du produit au fil du temps à des températures de stockage. Pour accélérer le test, il est souvent également effectué à des températures élevées. Bien qu'Arrhenius ait démontré en 1889 comment combiner les résultats à différentes températures dans un seul modèle, de nombreuses entreprises analysent encore chaque température séparément. Il n'est pas rentable de stratifier les données dans différents modèles.
En outre, il faut procéder à une vérification continue de la durée de conservation, où il est souvent exigé que toutes les observations individuelles soient conformes aux spécifications. En raison du bruit de mesure, ce critère n'est souvent pas respecté. Il faut plutôt exiger que les mesures soient comprises dans les intervalles de prédiction de l'étude initiale de la durée de conservation, ce qui est une exigence moins stricte.
JMP propose l'équation d'Arrhenius dans la plate-forme Dégradation/Trajectoire non linéaire/Taux constant. Cependant, cette plate-forme ne dispose pas de certaines des excellentes fonctionnalités de la plate-forme Fit Model, telles que le tracé des résidus studentisés, la transformation Box-Cox, les facteurs aléatoires et les intervalles de prédiction.
Cette présentation montre comment l'équation d'Arrhenius peut être saisie dans la plateforme Fit Least Squares en réalisant une extension de Taylor avec seulement quatre termes, ainsi que comment un flux de travail JMP peut faciliter les calculs.
Merci de m'avoir donné cette opportunité de parler de la manière dont nous, en tant que partenaires JMP, aidons nos clients à réduire les coûts et surtout à éviter les non-conformités lors des calculs intelligents de durée de conservation et de la vérification de la durée de conservation.
Tout d'abord, je vais décrire certains des problèmes que nous avons constatés chez nos clients concernant les études de durée de conservation, et en particulier l'application de la vérification continue. En examinant d'abord les études de durée de conservation, où vous définissez la durée de conservation, nous pouvons voir qu'elle est basée sur un certain nombre de lots, généralement 3 à 4, où vous mesurez l'évolution au fil du temps. Bien entendu, le niveau final dépend du point de départ et de la pente que vous voyez. Avec un peu de chance, la pente est la même pour tous les lots.
Mais nous constatons souvent que les lots démarrent à un niveau différent. Cela peut être un défi car les lots futurs, lorsque vous effectuez une vérification continue, peuvent démarrer à un niveau différent. S'ils démarrent plus bas, vous risquez d'être hors spécifications lorsque vous lisez la durée de conservation.
Ce que nous recommandons de faire ici, c'est de convertir la durée de conservation en exigence lors de la libération du lot, c'est-à-dire quelle doit être la valeur au moment 0 pour garantir que vous serez dans les limites de la spécification lors de la durée de conservation. J'y reviendrai bien sûr.
Nous voyons aussi très souvent que la régression linéaire est effectuée sur une échelle absolue, mais que la dégradation est relative. Si la dégradation est importante, vous ne décrivez pas réellement le taux de dégradation. La solution est simple. Il suffit d'appliquer Ln à vos données avant de faire la régression.
Je suis désolé, Pierre, de vous interrompre. Je vois un bouton indiquant que Zoom partage votre écran.
Je pense que c'est parti maintenant.
Existe-t-il un moyen de masquer votre barre des tâches ? Parce qu'elle est assez grande. C'est comme une double barre des tâches en bas.
Ok, essayons autre chose. Je pense que si j'aime ça, est-ce que ce serait mieux ?
Beaucoup mieux, oui.
Parce que maintenant je l'affiche en mode présentation, alors peut-être que je devrais plutôt l'afficher en mode présentation.
Oui, ça a l'air bien.
Je vais juste essayer avant de continuer pour voir, car ensuite, quand je partagerai un JMP, je le ferai comme ça. Ensuite, j'ai peur que vous voyiez la barre des tâches lorsque je travaille sur JMP.
C'est bien, oui, je suppose.
Devrions-nous procéder de cette façon ?
Faisons-le comme ça.
Quand je fais un PowerPoint, je le fais en mode présentation. Je pense que cela fonctionne mieux.
Absolument. Parfait. Merci.
Je suppose que nous devons simplement tout recommencer.
Recommencer. Désolé pour ça.
Cela dure environ deux minutes, donc ce n’est pas un gros désastre.
Merci de m'avoir donné cette opportunité de parler de la manière dont nous, en tant que partenaires JMP chez NNE, aidons nos clients à réaliser de meilleures études de durée de conservation et surtout à minimiser le nombre de non-conformités lors de la vérification.
Tout d'abord, je vais décrire un peu les problèmes que nous observons dans les études sur la durée de conservation et en particulier la vérification en cours. Nous allons nous assurer que la durée de conservation que vous avez indiquée est toujours valable. Cela se fait à intervalles réguliers en testant certains lots. Si vous regardez la première étude qui est réalisée, c'est-à-dire l'estimation de la durée de conservation, où vous définissez votre durée de conservation, ils prennent généralement un ensemble de lots, 3 ou 4, et les font se dégrader au fil du temps. Vous mesurez ces quatre lots au fil du temps et voyez à quel point ils se dégradent, puis vous pouvez calculer la durée de conservation dont vous disposez.
Mais le niveau que vous avez au fil du temps dépend bien sûr de la pente, qui est le but principal, la décroissance. Dans une étude de durée de conservation, mais cela dépend aussi, bien sûr, de l'endroit où vous commencez. Étant donné que vous n'avez que trois ou quatre lots dans votre étude d'estimation de la durée de conservation, et que vous allez le vérifier sur d'autres lots à l'avenir, s'ils commencent plus bas que les lots que vous aviez dans votre étude de durée de conservation, vous pourriez avoir un problème dans la vérification, même si la décroissance ne se produit pas davantage simplement parce qu'elle commence plus bas.
Notre solution consiste en fait à convertir l'équation de durée de conservation en une valeur de départ de gain de temps, simplement une limite de libération, qui, bien sûr, devrait alors être meilleure que ce que vous exigez à la durée de conservation, donc il y a une marge de changement. Vous n'êtes alors pas sensible aux lots futurs car vous vous assurerez qu'ils commencent à un niveau suffisamment élevé, pour ainsi dire. Nous constatons également souvent que les gens font la régression au fil du temps sur une échelle absolue, mais la dégradation est relative. Nous vous recommandons fortement de prendre Ln pour vos données avant de faire la régression.
Nous constatons également que de nombreuses entreprises rencontrent de gros problèmes de reproductibilité des mesures. La durée de conservation est la situation de mesure la plus difficile à laquelle vous êtes confronté, car, pour des raisons évidentes, vous devez mesurer les lots à des moments très différents, généralement à des années d'intervalle. Bien sûr, tout change et si vous n'avez pas un système de mesure très stable, vous obtenez beaucoup de bruit sur votre courbe de régression. Vous pouvez en fait réduire cela en saisissant votre moment de mesure comme facteur aléatoire dans le modèle.
Nous voyons également très souvent des entreprises effectuer des calculs de durée de conservation à de nombreuses températures différentes, ce qui est une bonne idée car cela permet d'accélérer le test. Mais pour une raison quelconque, les températures sont généralement modélisées de manière autonome. Il est très rare que nous voyions des personnes modéliser ces données sur plusieurs températures. Nous obtenons un modèle décrivant toutes les températures. Bien entendu, nous recommandons fortement de modéliser sur plusieurs températures, car vous disposez alors de plus de degrés pour estimer vos résidus.
Dans le même domaine, nous voyons également que lorsque les gens vont modéliser des températures, chaque température prise séparément, bien sûr, vous avez besoin de mesures au temps 0 à toutes les différentes températures. Mais alors, c'est en fait la même mesure que vous utilisez car au temps 0, ce n'est que la valeur de départ. Vous devez alors être prudent lorsque vous créez le modèle pour toutes les températures, car vous ne devriez pas avoir la même observation quatre fois, par exemple, si vous avez des températures fausses.
Il est très important de modéliser les différentes températures afin de n'avoir qu'un seul enregistrement à une température donnée. Ensuite, peu importe lequel, car il se situe à l'instant 0. C'est le problème que nous rencontrons lorsque les gens définissent la durée de conservation. C'est un peu la solution que nous recommandons.
Ensuite, lorsque vous effectuez la vérification de la durée de conservation, c'est-à-dire que vous avez maintenant déclaré que vous avez une certaine durée de conservation, vous avez des intervalles réguliers pour prouver que cette durée de conservation est toujours valide, et il existe une directive ICH à ce sujet. C'est également inclus dans JMP. Vous le verrez dans une minute. Mais ce que vous faites là, vous préparez ces trois à quatre lots typiques, puis vous prenez la limite de confiance sur la pente pour le pire lot et vous vous basez sur cela pour indiquer quelle est votre durée de conservation.
Mais c'est un peu compliqué car on suppose alors que l'on a vu le premier lot parmi les trois premiers, ce qui n'est généralement pas le cas. C'est d'ailleurs la raison pour laquelle nous ne recommandons pas d'utiliser la méthode ICH car elle entraîne souvent des problèmes de vérification.
Nous constatons également souvent que les gens obtiennent une estimation trop optimiste de l'erreur standard de pente parce qu'ils supposent qu'il s'agit d'observations indépendantes et que le nombre de degrés de liberté est alors de n-1. Cependant, très souvent, de nombreuses mesures sont effectuées dans la même analyse. Si vous avez des différences analytiques un à un, il ne s'agit pas de mesures indépendantes et vous devez corriger cela en définissant les degrés de liberté effectifs. En indiquant simplement la date de mesure comme un facteur aléatoire, vous n'obtiendrez pas cela.
Vous obtiendrez alors généralement une erreur standard un peu plus grande, ce qui peut être considéré comme un problème. Mais en réalité, cela augmente l'exigence de valeur de départ, ce qui minimise le risque d'échec de la vérification.
Enfin, et ce n’est certainement pas le moins important, nous voyons encore de nombreuses entreprises dire que lors de la vérification, toutes les mesures doivent être conformes aux spécifications. Mais si vous avez un problème de mesure, et c’est toujours le cas, vous pouvez en fait être en dehors des spécifications au moment de la durée de vie en raison de problèmes de mesure. Ce que nous recommandons, c’est de construire un modèle approprié avec les bons degrés de liberté. Pour ce modèle, en fait, sur les mêmes données que celles que vous avez utilisées pour définir la durée de vie, et sur cette base, créez un intervalle de prédiction dans lequel vous pouvez vous attendre à ce que les observations futures se situent. Cet intervalle sera généralement légèrement plus large que votre intervalle de spécification, ce qui minimisera ainsi le risque d’échec.
Je vais maintenant décrire brièvement les formules et les plateformes et où les trouver dans JMP, mais je le ferai assez rapidement car je suis sûr que vous pourrez accéder aux formules dans le matériel de présentation par la suite, et je pense qu'il est plus intéressant de commencer à les démontrer dans JMP. Mais commençons d'abord par cette question de limite de publication.
Comment convertissez-vous votre pente et votre norme sur la pente en ce que devrait être la limite de libération au début ? Disons que nous avons quelque chose qui diminue au fil du temps, et nous avons une limite de spécification inférieure. Ensuite, vous faites simplement, et nous prenons cela des directives VSO pour la stabilité, l'évaluation et la science maximale. Ils prennent simplement la limite de spécification inférieure, puis ils soustraient la pente estimée, le temps jusqu'à la durée de conservation, donc de combien cela diminue sur la durée de conservation. Ensuite, vous devez également ajouter une certaine incertitude. Cela vient de cette erreur standard sur la pente, et il y a aussi un écart type de mesure sur votre valeur de départ.
En fait, nous utilisons simplement cette formule, mais nous convertissons le quantile normal en quantile t, car il s'agit d'un écart type inconnu. Pour estimer la répétabilité de la mesure, nous utilisons en fait l'IMC du modèle. Mais à part cela, c'est exactement comme décrit dans les instructions VSO. Bien sûr, lorsque vous construisez votre modèle, vous obtiendrez la pente de votre JMP de modélisation, vous obtiendrez vos degrés effectifs à partir du JMP de modélisation basé sur l'équation ci-dessous, vous obtiendrez l'erreur standard sur la pente et vous obtiendrez votre erreur résiduelle.
Sur cette base, vous pouvez simplement introduire cela dans cette formule et vous obtenez votre limite de libération inférieure. S'il s'avère que l'un des goulots d'étranglement est en fait le bruit de mesure à la valeur de départ, vous pouvez simplement effectuer plusieurs mesures au départ et prendre la moyenne de celles-ci, et ainsi supprimer cela par la racine carrée de N. Mais bien sûr, ces mesures doivent être prises de manière analytique.
Ensuite, lorsque nous allons modéliser le poids en fonction du temps, vous pouvez simplement aller dans Ajuster le modèle. Bien sûr, vous pouvez y faire votre régression. Nous vous recommandons fortement de verrouiller votre résultat, car avec une réaction à taux constant, celui-ci sera linéairement proportionnel au temps. Bien sûr, si vous avez de petites décroissances, vous pouvez également le faire sans le verrou. Mais pourquoi se soucier de savoir si le cas est petit ou grand ? Il suffit de verrouiller et cela fonctionne quelle que soit la taille de la décroissance.
Si vous souhaitez modéliser à travers les températures, vous devez utiliser l'équation d'Arrhenius, où vous pouvez réellement décrire les désintégrations à différentes températures en utilisant une énergie d'activation. Si vous allez à la plateforme de dégradation avec un chemin non linéaire, cela peut être bien décrit dans JMP, et là, vous pouvez réellement construire un modèle à travers toutes les températures, ce qui est en fait assez facile à faire si vous trouvez cette plateforme. C'est la bonne, je suppose, mais vous feriez mieux de la trouver, et je vais le démontrer dans une minute dans JMP.
Sur cette base, vous obtiendrez votre coefficient de modèle. Vous avez une interception, vous obtenez une pente, vous obtenez une énergie d'activation, et ils sont même accompagnés d'erreurs standard et d'une certaine covariance. Si vous mettez ces chiffres ensemble, vous pouvez en fait calculer la pente à chaque température, et vous pouvez calculer l'erreur standard sur la pente à chaque température. Vous pouvez ensuite introduire ces données dans la limite inférieure de libération, et vous saurez ce que cela devrait être.
Tous ces paramètres de modèle, les erreurs standard et la corrélation, vous les obtenez simplement à partir de JMP. Mais vous devez les intégrer dans cette équation que je vous ai montrée ici. En fait, ce n'est pas aussi simple qu'il y paraît.
C'est pour cette raison que nous recommandons de développer l'équation d'Arrhenius à l'aide d'un développement de Taylor, car si vous développez l'équation de Taylor, vous pouvez l'adapter à un polynôme. Normalement, nous voyons que jusqu'au troisième ordre est suffisant, et cela nécessite quatre températures différentes. L'avantage d'aller dans Ajuster le modèle où vous pouvez le faire, lorsque vous avez développé l'équation de Taylor, c'est que vous pouvez y insérer des facteurs aléatoires. Comme je l'ai mentionné précédemment, vous devez en fait insérer le temps de mesure comme facteur aléatoire. Mais souvent, vous souhaitez également avoir le lot comme facteur aléatoire, car nous souhaitons prédire ce qui se passe dans les lots futurs, pas seulement ceux que vous utilisez pour l'étude. Bien sûr, vous obtenez également un meilleur diagnostic du modèle.
Si vous mettez correctement à l'échelle votre température d'Arrhenius, elle sera de 0 au moment qui vous intéresse. Tous ces termes ici sont égaux à 0. Il est alors très facile d'obtenir la pente et l'erreur standard, car il s'agit simplement du coefficient et de l'erreur standard devant le paramètre de temps dans votre modèle. C'est beaucoup plus facile que ce que j'ai montré sur la diapositive précédente.
Ensuite, vous pouvez également ajouter au-dessus de l'expansion des données du troisième ordre, vous pouvez également ajouter un lot multiplié par le temps, une interaction entre le lot et le temps, pour voir s'il doit y avoir une pente dépendante du lot. Heureusement, ce n'est pas le cas, mais cela peut être le cas, ou pire encore, nous mettons également une température d'Arrhenius multipliée par le temps, par lot pour voir si l'énergie d'activation doit dépendre du lot. Cela s'est rarement produit et, bien sûr, ne devrait pas se produire. Mais je pense qu'il est bon de vérifier avant de faire des hypothèses.
Passons maintenant à JMP pour voir comment cela fonctionne. Je vais maintenant passer à JMP. Ici, j'ai un cas où j'ai étudié certains lots à différentes températures et à différents moments. Regardons d'abord le résultat. Ici, vous voyez le résultat, bien sûr, avec un Ln activé. Il est censé être linéaire à trois températures différentes, 15, 25, 30 et 40, de 0 à 36 mois.
Comme vous pouvez le voir, comme prévu, plus la température est élevée, plus la pente est élevée. Cela peut être facilement décrit par l'équation d'Arrhenius. Chaque lot est mesuré en double à chaque instant. Vous pouvez également voir le cas typique où nous avons une certaine variation de mesure d'un jour à l'autre. Par exemple, vous pouvez voir toutes les mesures effectuées à trois mois, elles sont au-dessus de l'équation de régression, ce qui indique qu'à ce jour-là, nous avons mesuré trop haut, et par exemple, au neuvième mois, elles sont généralement trop basses. De toute évidence, cette courbe est contaminée par... Ou ces chiffres sont contaminés par votre bruit de mesure. C'est assez typique car les mesures sont effectuées à des instants très différents, et il peut facilement arriver que vous mesuriez plus haut certains jours que d'autres. Vous verrez l'influence que cela a dans une minute.
Commençons par faire un peu de modélisation. Vous pouvez en fait accéder à l'analyse de dégradation dans JMP. Là, vous ne pouvez pas combiner les températures, mais vous pouvez le faire par température. Cela suit en fait les directives de l'ICH. Je viens de l'ouvrir ici pour 15 degrés. Cela fonctionne de la manière suivante : avec un niveau de signification de 0,25, vous recherchez si vous pouvez supposer une pente commune et une intercept commune. Si la valeur P est inférieure à 25, vous devez utiliser une intercept distincte et une pente distincte. Vous pouvez, par exemple, voir ici pour les 15 degrés, en suivant les directives de l'ICH avec ces critères de signification, vous pouvez supposer une pente commune, mais vous aurez des intercepts différents.
Ensuite, avec ces différentes pentes communes d'interception, vous créez un intervalle commun sur chaque ligne de régression, puis vous prenez le mot lot, qui dans ce cas est le lot B. Ensuite, vous dites où cela attrape la limite de spécification, la limite de spécification inférieure, l'échelle Ln, c'est votre durée de conservation, dans ce cas, 55 mois.
C'est très simple à faire, mais cette méthode présente quelques problèmes. Le premier problème est que ce niveau de signification de 0,25 présente bien sûr un risque élevé d'obtenir une fausse signification, car vous devez avoir des pentes différentes, mais ce n'est peut-être pas nécessaire. Pire encore, vous ne regardez que le pire des trois premiers lots. Je veux dire, il est peu probable que le pire lot que vous puissiez créer soit parmi les trois premiers. Cela peut vraiment vous poser de sérieux problèmes plus tard lors de la vérification en cours. Même si c'est facile, ce n'est pas ce que nous recommandons de faire.
Bien sûr, vous pouvez créer exactement les mêmes modèles dans Fit model, c'est ce que je montre ici. Encore une fois, d'abord par température, et plus tard nous les combinerons. Vous pouvez y voir que vous pouvez mettre du temps, du lot et du temps fois lot, dans ce cas pour 15 degrés. Le temps fois lot sera le terme qui peut prendre en compte le fait que la pente peut dépendre du lot, donc on ne peut pas vouloir une pente commune. Mais vous pouvez voir qu'il a une valeur P élevée, mais je n'aime pas utiliser les valeurs P car elles sont très sensibles à la taille de l'échantillon et au rapport signal/bruit, etc. Je préfère utiliser des critères d'information, qui sont plus robustes face à différentes tailles d'échantillon et niveaux de bruit, etc. Je préfère le critère d'information d'Akaike, qui est une vraisemblance logarithmique négative, donc plus il est bas, mieux c'est.
Si je retire le temps multiplié par le lot, il est de 188-... Il tombe en fait à -193, ce qui signifie que c'est un meilleur modèle. Maintenant, j'ai justifié que je peux avoir une pente commune. Ensuite, je peux passer au numéro de lot. Il a une valeur P plus limite, toujours dans la limite supérieure, mais je n'utilise pas la valeur P, j'utilise les critères d'information. Si je le retire, il tombe de 100 -3 à -195. Il continue à baisser. De cette façon, j'ai également justifié que je peux utiliser l'intercept commun.
Cependant, comme je l'ai mentionné précédemment, soyez prudent ici car ces chiffres ne sont pas indépendants. Je ne le dis pas à JMP pour l'instant. Vous pouvez faire mieux en allant dans Ajuster le modèle et en faisant le même modèle. La seule différence, c'est que maintenant je mets le jour de mesure comme facteur aléatoire. Maintenant, je peux corriger le fait que ces mesures sont groupées, que les chiffres du même jour proviennent du même jour analytique. Vous pouvez maintenant voir que vous obtenez des valeurs P différentes. Encore une fois, en regardant les critères d'information, vous pouvez voir le numéro de lot multiplié par le temps -207, il tombe à -239. Meilleur modèle, pente commune justifiée. Mais voyez maintenant ce qui se passe lorsque je retire mon numéro de lot. C'est le même qu'avant, en ajoutant simplement le jour de mesure. C'est -239. Maintenant, il augmente en fait à -236. Je ne devrais pas supprimer celui-là, ce qui signifie que je ne peux pas supposer une interception commune.
C'est un bon exemple de la raison pour laquelle vous devez inclure le jour de mesure, car sinon vous pourriez être trompé par des nombres qui ne sont pas indépendants. Si vous souhaitez modéliser les différentes températures, comme je l'ai mentionné précédemment, c'est assez facile à faire. Il suffit d'aller dans l'analyse des données de dégradation et d'insérer cette partie non linéaire. En fait, vous avez l'équation d'Arrhenius intégrée, et vous obtiendrez pour les quatre températures une interception commune, une pente commune et une énergie d'activation commune.
Cependant, je viens de montrer que, oui, la pente commune est correcte, mais l'interception commune est discutable. Nous avons besoin d'une pente commune d'interception séparée, et vous ne pouvez pas vraiment le faire ici. Ce que vous pouvez faire, c'est que vous pouvez entrer et dire, je veux des paramètres séparés pour tous les lots. Mais vous obtenez alors des interceptions séparées, vous obtenez des pentes séparées et, dans ce cas, vous obtenez une énergie d'activation commune, ce qui me semble logique.
Mais vous ne pouvez pas vraiment avoir ici la combinaison d'une pente commune et d'intercepts séparés. Mais il existe une solution dans JMP. Si vous passez à la plate-forme non linéaire, vous pouvez construire votre propre équation d'ajustement. Là, vous pouvez en fait, avec l'équation d'Arrhenius, avoir, comme vous pouvez le voir ici, une énergie d'activation commune, une pente commune, mais des intercepts séparés. C'est donc possible.
Mais le problème ici est que vous ne pouvez pas inclure de facteurs aléatoires. Vous avez du mal à corriger, car il ne s'agit pas de mesures indépendantes. Vous ne pouvez pas non plus inclure de lot comme facteur aléatoire. Vous avez du mal à créer un modèle décrivant les lots en général, ce qui est généralement ce dont vous avez besoin.
Pour cela, nous aimons en fait aller dans le modèle d'ajustement et mettre en place ce développement de Taylor de l'équation d'Arrhenius, comme vous le voyez ici. Au premier, deuxième et troisième ordre, bien sûr, en mettant le numéro de lot pour différentes interceptions, en mettant le numéro de lot multiplié par le temps pour pouvoir gérer le fait que vous pourriez avoir une pente différente, espérons-le non. Pire encore, vous pouvez également mettre le temps d'Arrhenius multiplié par le numéro de lot pour corriger, car vous pourriez même avoir une énergie d'activation dépendante du lot, ce qui pourrait être étrange.
Mais en regardant l'AICc, vous ne prendrez pas ce temps de repos en premier, et vous voyez qu'il est de -730. Quelle chance pouvez-vous avoir ? Il tombe à -67 en tombant. C'est un meilleur modèle. J'ai maintenant justifié que je peux avoir une énergie d'activation commune. Le même numéro de lot multiplié par le temps, il a une valeur P limite. Mais encore une fois, en regardant l'Akaike, vous pouvez en fait voir qu'il continue de baisser. Je peux maintenant justifier que je peux également avoir une pente commune, ce qui est, bien sûr, une excellente chose. Vous pouvez également le faire dans ce modèle.
Comme vous pouvez le voir ci-dessous, j'ai en fait mis le jour de mesure comme effet aléatoire, car vous pouvez facilement le faire dans le modèle d'ajustement. Vous ne pouvez pas le faire dans la plateforme de dégradation.
J'espère que vous avez vu ici qu'il existe de nombreuses façons différentes de calculer les pentes. J'ai essayé ici de voir quelle différence cela fait pour votre limite de relâchement inférieure. Si vous exécutez celui-ci, ce petit script, vous pouvez en fait voir ici qu'il y a beaucoup de différentes... Je pourrais le faire par température, par température avec un temps aléatoire. Cette plate-forme de dégradation viendrait dans tout, tout individuellement, le non-linéaire et ainsi de suite, le Taylor sans temps aléatoire et le Taylor avec un temps aléatoire.
Ici, je tape simplement les pentes et la norme ou les pentes que nous obtenons de ces modèles. Ici, vous pouvez voir quelle est la limite de libération inférieure si vous ne faites qu'une seule libération de lot de mesures. Vous pouvez en fait voir que la méthode que nous recommandons, qui est l'expansion de Taylor avec un temps aléatoire, donne l'une des limites de libération les plus élevées. Bien sûr, lorsque vous avez une limite de libération plus élevée, le risque que vous rencontriez ultérieurement des problèmes lors de la vérification en cours est moindre. Nous exigerions que tous les lots commencent vers 10,09. Sinon, nous ne pouvons pas être sûrs qu'ils fonctionnent toujours à la date de péremption.
Vous pouvez voir que si nous prenons le temps aléatoire et le faisons sur 15 degrés seulement, c'est là que nous avons l'exigence de 15 degrés sans combinaison, vous obtenez une limite de libération encore plus élevée. Mais c'est parce que vous obtenez moins de degrés de liberté en faisant un modèle séparé. Nous pouvons en fait obtenir une limite de libération inférieure, sur laquelle vous pouvez toujours compter en construisant un modèle sur plusieurs températures. Comme vous pouvez le voir à droite, si vous prenez deux mesures au démarrage, une libération par lots pour supprimer le bruit de mesure, vous pouvez le réduire davantage. Si vous en prenez 10, vous pouvez aller encore plus bas. Combien de mesures souhaitez-vous faire au démarrage ?
La libération par lots dépend bien sûr du bruit de vos mesures et de sa répartition dans le goulot d'étranglement. Mais la méthode que vous utilisez fait vraiment une différence. Si vous ne corrigez pas les mesures indépendantes, vous pouvez facilement obtenir une limite de libération trop basse, ce qui vous posera des problèmes plus tard dans la vérification en cours.
Si vous voulez décrire les lots en général, par exemple pour définir la durée de conservation, vous devez également ajouter les lots comme facteur aléatoire. Maintenant, je mets à la fois le lot et le jour de mesure comme facteurs aléatoires. Maintenant, je ne décris pas seulement les trois lots que j'ai utilisés pour faire mon étude, je décris les lots en général. Ensuite, vous pouvez simplement descendre au Profiler. Je l'ai mis à la température Arrhenius 40,272 qui correspond à 15 degrés Celsius. Vous pouvez voir ici l'état de la durée de conservation. Ils voudraient prouver qu'ils ont 24 mois. Si vous regardez la ligne générale pour tous les lots avec confiance, elle reste bien dans sa limite. Cette entreprise n'a aucun problème à prouver qu'elle a une durée de conservation d'au moins 24 mois à 15 degrés.
Vous pouvez voir que j'utilise un Alpha unilatéral de 5 %, car il n'y a de problème que d'être d'un côté. Cependant, si je veux prédire où pourraient se trouver les mesures individuelles, car cela ne montre que l'emplacement des deux lignes, alors je peux en fait refaire le même modèle, je peux exactement le même modèle. J'ai juste changé mon Alpha à 0,135 % unilatéral, comme ce qui est à l'intérieur de +-3 Sigma pour tout décrire. Ensuite, ici en bas, vous voyez toujours la même chose. Bien sûr, cela devient un peu plus large en prenant mon Alpha. Ensuite, j'aimerais montrer les limites prédictives ici en bas.
Malheureusement, vous ne pouvez pas afficher les limites prédictives sur un profileur dans la version 17. Je vais passer brièvement à l'adaptateur précoce 18. Il n'est pas encore sorti, mais il viendra. Exécutez le même modèle là-dedans, car l'avantage de la version 18 est que vous pouvez voir les deux limites de confiance sur un profileur, c'est la voie sombre. Mais vous pouvez également voir les limites de prédiction ou les limites de confiance individuelles. C'est là que vous pouvez vous attendre à ce que les observations individuelles se trouvent avec cette durée de vie que vous avez de ces lots. Vous pouvez voir que vous pouvez vous attendre à avoir des valeurs légèrement inférieures aux spécifications inférieures.
Pour une vérification continue, nous recommandons de définir l'exigence selon laquelle l'intervalle de prédiction doit être légèrement plus large que la limite de spécification. De cette façon, vous pouvez également éviter les non-conformités dues à des problèmes de mesure.
J'espère que vous avez vu qu'il existe de nombreux pièges dans la gestion de la durée de conservation et de la vérification, mais JMP dispose d'une bonne boîte à outils pour contourner ces pièges et faire les choses correctement. Pour conclure, je vais simplement revenir à ma présentation et aborder les problèmes que j'ai abordés au début, je vais simplement les montrer à nouveau, car nous avons maintenant abordé ces questions. Lorsque nous faisons la durée de conservation chez nos clients, nous recommandons fortement de la convertir en limite de publication, car vous êtes alors sûr que tous les lots que vous allez fabriquer à l'avenir respecteront la durée de conservation, car vous imposez une exigence là où ils commencent.
Bien sûr, faites tous les modèles sur des données Ln. Il suffit de verrouiller la fenêtre de dialogue du modèle et vous obtenez la régression qui est censée être linéaire. Terminez le temps en tant que facteur aléatoire dans le modèle. Vous pouvez ensuite corriger le fait que vous n'avez probablement pas le même niveau de mesure tous les jours. Bien sûr, construisez un modèle sur plusieurs températures avec cette extension de Taylor de l'équation d'Arrhenius qui est facile à faire. Ensuite, n'oubliez pas, bien sûr, de ne pas avoir plusieurs enregistrements. Le point de temps 0 ne doit être saisi qu'à une seule température.
Ensuite, lorsque vous effectuez la vérification continue de la durée de conservation, nous ne recommandons pas la méthode ICH, car elle suppose en fait que vous voyez le pire parmi les trois premiers, ce qui n'est probablement pas le cas. Il est également très important lorsque vous calculez la limite de libération que vous obteniez la bonne norme de votre pente, que vous obteniez les bons degrés de liberté. Lorsque vous n'avez pas de mesure indépendante, ce n'est pas seulement n-1. Vous devez vraiment inclure la mesure analytique comme facteur aléatoire.
Enfin, et ce n'est certainement pas le moins important, veuillez préciser les spécifications de votre vérification en cours. Elles doivent être conformes à l'intervalle de prédiction que vous avez défini sur les lots utilisés pour définir la durée de conservation. Merci de votre attention. J'espère que vous avez été inspiré par la manière dont vous pouvez gérer la durée de conservation de manière très efficace à l'aide de JMP. Merci beaucoup.
