製薬業界の企業は、保管温度での製品性能を経時的に測定してシェル寿命を実証する必要があります。テストを迅速化するために、高温で行われることもよくあります。1889 年に Arrhenius は異なる温度での結果を 1 つのモデルに組み合わせる方法を実証しましたが、多くの企業は今でも各温度を個別に分析しています。データを異なるモデルに階層化することはコスト効率がよくありません。
さらに、保存期間の継続的な検証を実行する必要があり、その際には、すべての個々の観察が仕様の範囲内であることがしばしば強制されます。測定ノイズのため、この基準は満たされないことがよくあります。代わりに、測定値が最初の保存期間調査からの予測範囲内であることを強制する必要がありますが、これはより弱い要件です。
JMP には、劣化/非線形パス/一定速度プラットフォームに Arrhenius 方程式があります。ただし、このプラットフォームには、スチューデント化残差プロット、Box-Cox 変換、ランダム因子、予測区間など、モデルの適合プラットフォームの優れた機能の一部が欠けています。
このプレゼンテーションでは、わずか 4 つの項でテイラー展開を行うことで、アレーニウス方程式を Fit Least Squares プラットフォームに入力する方法と、JMP ワークフローで計算を簡単にする方法を説明します。
JMP パートナーとして、私たちがどのようにしてお客様のコスト削減、特にスマートな保存期間の計算と保存期間の検証における不適合の回避を支援しているかについてお話しする機会をいただき、ありがとうございます。
まず、保存期間の研究、特に継続的検証の実施に関して、クライアントで見てきた問題のいくつかについて説明します。保存期間の研究を最初に見てみると、保存期間を設定する場合、通常は 3 ～ 4 個のバッチに基づいて、経時的な変化を測定することがわかります。もちろん、最終レベルは開始点と表示される傾斜によって異なります。すべてのバッチで傾斜が同じであることが期待されます。
しかし、バッチが異なるレベルで始まることがよくあります。これは、今後のバッチで継続的な検証を行う際に、異なるレベルで始まる可能性があるため、課題となる可能性があります。低いレベルで始まると、保存期間を読み取る際に仕様外になるという問題が発生する可能性があります。
そこで私たちが推奨するのは、実際に保存期間をバッチリリース時の要件に変換することです。つまり、保存期間に仕様内に収まるようにするには、時間 0 の値が何であるべきかということです。もちろん、これについては後で説明します。
また、線形回帰は絶対的な尺度で行われますが、劣化は相対的であることもよくあります。劣化が大きい場合、実際には劣化率を説明していません。解決策は簡単です。回帰を行う前に、データに Ln を適用するだけです。
申し訳ありません、ピエールさん、邪魔をしてください。Zoom が画面を共有していることを示すボタンが表示されています。
もう消えたと思います。
タスクバーを非表示にする方法はありますか? かなり大きいので。下部に二重のタスクバーがあるようなものです。
わかりました。何か他のものを試してみましょう。これが気に入ったら、これの方が良いと思いますか?
かなり良くなりました。
今はプレゼンテーション モードで表示しているので、代わりにプレゼンテーション モードで表示したほうがよいかもしれません。
はい、良さそうですね。
先に進む前に、ちょっと試してみます。JMP を共有するときは、このようにします。そうすると、JMP で作業しているときにタスクバーが表示されると思います。
そうですね、それでいいと思います。
そのようにすべきでしょうか?
そうしましょう。
PowerPoint を実行するときは、プレゼンテーション モードで実行します。その方がうまくいくと思います。
まさにその通りです。完璧です。ありがとうございます。
最初からやり直すしかないですね。
もう一度やり直してください。申し訳ありません。
約2分なので、大した問題ではありません。
NNE の JMP パートナーとして、私たちがどのようにしてクライアントの保存期間研究の改善を支援し、特に検証中の不適合の数を最小限に抑えるのかについてお話しする機会をいただき、ありがとうございます。
まず、保存期間の研究、特に進行中の検証で見られる問題について少し説明します。私たちは、あなたが述べた保存期間が依然として有効であることを強制するつもりです。これは、いくつかのバッチを定期的にテストして行われます。最初に行われる研究を見てください。それは保存期間の推定です。ここで保存期間を設定し、通常は 3 ～ 4 個のバッチのセットを取り、時間の経過とともに劣化させます。これらの 4 つのバッチを時間の経過とともに測定し、どれだけ劣化するかを確認し、保存期間がどのくらいだったかを計算できます。
しかし、時間の経過とともに得られるレベルは、もちろん、主な目的である減衰の傾きに依存します。保存期間の調査では、どこから開始するかによっても異なります。保存期間推定調査では 3 ～ 4 バッチしかなく、今後他のバッチで検証する予定であるため、保存期間調査で使用したバッチよりも低い値で開始した場合、低い値で開始したからといって減衰が大きくならないとしても、検証で問題が発生する可能性があります。
これに対する私たちの解決策は、保存期間の方程式を、必要な時間節約の開始値、つまり単にリリース制限に変換することです。もちろん、これは保存期間に必要なものよりも優れているはずなので、変更の余地があります。そうすれば、将来のバッチが十分に高い値で開始されることが保証されるため、将来のバッチに敏感になることはありません。また、人々が絶対的な尺度で時間の経過に伴う回帰を行っているのをよく見かけますが、劣化は相対的です。回帰を行う前に、データに Ln を適用することを強くお勧めします。
また、多くの企業が測定の再現性に大きな問題を抱えていることもわかっています。保存期間の測定は、当然のことながら、通常数年おきに、非常に異なる時点のバッチを測定する必要があるため、最も難しい測定状況です。もちろん、すべては変化し、非常に安定した測定システムがなければ、回帰曲線に多くのノイズが発生します。実際に、時点をモデルにランダムな要素として入力することで、ノイズを減らすことができます。
また、企業がさまざまな温度で保存期間をテストしているのをよく見かけます。これは、テストを加速できるため、良いアイデアです。しかし、何らかの理由で、通常、温度は単独でモデル化されます。実際に温度間でモデル化している人を目にすることは非常にまれです。すべての温度を説明する 1 つのモデルが得られます。もちろん、温度間でモデル化することを強くお勧めします。そうすれば、残差を推定するために入力できる温度が増えるからです。
同じ領域で、人々が温度をモデル化しようとするとき、それぞれの温度を個別に、もちろん、すべての異なる温度で時間 0 の測定が必要になります。しかし、時間 0 では、それは単なる開始値であるため、実際に使用するのは同じ測定です。したがって、温度間でモデル化を行うときは注意が必要です。たとえば、誤った温度がある場合、同じ観測が 4 回発生しないようにする必要があります。
温度をまたいでモデル化する場合、1 つの温度で 1 つの登録のみを行うのが非常に重要です。これは時間 0 であるため、どの温度であるかは問題ではありません。これは、保存期間を設定するときに発生する問題です。これは、私たちが推奨する解決策の一部です。
次に、保存期間の検証を行うとき、つまり、特定の保存期間があることを宣言したとき、この保存期間がまだ有効であることを証明するための定期的な間隔があり、そのための ICH ガイダンスがあります。これも JMP に含まれています。すぐにわかります。ここで行うことは、典型的な 3 〜 4 バッチを作成し、最悪のバッチの傾きの信頼限界を取得し、それを使用して保存期間を宣言することです。
しかし、これは少し難しいです。なぜなら、最初の 3 つのうち最初のバッチを見たと仮定することになるからです。通常はそうではありません。これが、検証で問題が発生することが多いため、ICH 方式の使用を推奨しない理由です。
また、傾きの標準誤差の推定値が過度に楽観的になるケースもよく見られます。これは、独立した観測値であると想定しているため、自由度の数が n-1 であるからです。ただし、多くの場合、同じ分析で多くの測定が行われます。分析で 1 対 1 の違いがある場合は、独立した測定ではないため、有効な自由度を作成してこれを修正する必要があります。測定日をランダムな要因として入力するだけでは、これは実現できません。
すると、通常、標準誤差が少し大きくなり、問題になる場合があります。しかし、実際には、開始値の要件が増し、検証に失敗するリスクが最小限に抑えられます。
最後になりますが、検証ではすべての測定値が仕様範囲内であるべきだと言っている企業はまだ多くあります。しかし、測定に問題がある場合、そして常に測定に問題がある場合、測定の問題が原因で賞味期限に仕様外になることがあります。そこで私たちが推奨するのは、適切な自由度を持つ適切なモデルを構築することです。このモデルでは、賞味期限の設定に使用したのと同じデータを使用し、これに基づいて、将来の観測値を予測できる予測区間を作成します。この区間は通常、仕様区間よりもわずかに広くなり、不合格のリスクを最小限に抑えます。
ここで、数式とプラットフォーム、および JMP でそれらを見つける場所について簡単に説明しますが、プレゼンテーション資料で数式に後でアクセスできると思うので、かなり手短に説明します。また、JMP でデモンストレーションする方が興味深いと思います。まずは、このリリース制限についてから始めましょう。
傾きと傾きの標準値を、開始時のリリース限界値にどのように変換しますか? 時間の経過とともに低下するものがあり、下限仕様限界があるとします。次に、安定性、評価、および最大科学に関する VSO ガイダンスから取得します。下限仕様限界を取得し、推定傾き、保存期間までの時間を差し引くだけで、保存期間にどれだけ低下するかがわかります。次に、不確実性も追加する必要があります。これは、傾きの標準誤差から得られ、開始値には測定標準偏差もあります。
実際には、この式を使用していますが、標準偏差が不明であるため、正規分位数を t 分位数に変換しています。測定の再現性の推定値として、実際にはモデルの IMC を使用しています。ただし、それ以外は、VSO ガイダンスで説明されているとおりです。もちろん、モデルを構築すると、モデリング JMP から傾きを取得し、下の式に基づいてモデリング JMP から有効度を取得し、傾きの標準誤差を取得し、残差誤差を取得します。
これを基に、この式に入力するだけで、下限放出限界が得られます。ボトルネックの 1 つが実際には開始値での測定ノイズであることが判明した場合は、開始時に複数の測定を行って平均を取るだけで、これを N の平方根で抑制できます。ただし、もちろん、これらの測定は分析上困難な方法で実行する必要があります。
次に、重量と時間のモデル化を行うときは、モデルの適合に進みます。もちろん、そこで回帰を行うことができます。そこでは、結果にロックをかけることを強くお勧めします。一定速度の反応で、結果が時間に比例するからです。もちろん、減衰が小さい場合は、ロックをかけずに作成することもできます。しかし、ケースが小さいか大きいかを気にする必要はありません。ロックをかければ、減衰の大きさに関係なく機能します。
温度をまたいでモデル化したい場合は、アレニウス方程式を使用する必要があります。この方程式では、活性化エネルギーを使用して、異なる温度での減衰を実際に記述できます。非線形パスの劣化プラットフォームにアクセスすると、JMP でこれをうまく記述できます。そこで、すべての温度にわたるモデルを実際に構築できます。このプラットフォームを見つければ、これは非常に簡単です。正しいと思いますが、見つけたほうがよいでしょう。JMP ですぐにデモを行います。
これを基にして、モデル係数が得られます。切片、傾き、活性化エネルギー、さらには標準誤差と共分散も得られます。これらの数値をまとめると、実際に各温度での傾きを計算し、各温度での傾きの標準誤差を計算できます。次に、これを下限放出限界に入力すると、下限が何であるかがわかります。
これらのモデル パラメータ、標準誤差、相関関係はすべて、JMP から簡単に取得できます。ただし、ここで示した式にそれを当てはめる必要があります。実際は、見た目ほど簡単ではありません。
そのため、私たちは実際にアレニウス方程式のテイラー展開を行うことをお勧めします。テイラー展開を行うと、多項式に当てはめることができるからです。通常、3 次までで十分であり、そのためには 4 つの異なる温度が必要です。テイラー展開を行った後にモデルを適合させると、ランダム因子を入れることができるという利点があります。前に述べたように、ランダム因子として測定時間を実際に入れる必要があります。しかし、多くの場合、バッチもランダム因子として入れたいでしょう。なぜなら、研究に使用するバッチだけでなく、将来のバッチで何が起こるかを予測したいからです。もちろん、モデル診断も向上します。
アレニウス温度を適切にスケーリングすると、関心のある時点で 0 になります。ここでの項はすべて 0 なので消えます。すると、傾きと標準誤差を取得するのは非常に簡単になります。これは、モデルの時間パラメータの前にある係数と標準誤差だけだからです。前のスライドで示したものよりもはるかに簡単です。
次に、3 次データ展開に加えて、バッチ × 時間、バッチと時間の相互作用も入力して、バッチ依存の傾きがあるかどうかを確認することもできます。うまくいけば、そうではないはずですが、そうなる可能性もあります。さらに悪いことに、アレニウス温度時間 × バッチも入力して、活性化エネルギーがバッチ依存であるかどうかを確認します。これはめったに発生しませんし、もちろん発生すべきではありません。しかし、仮定を行う前に確認しておくのは良いことだと思います。
さて、JMP でこれがどのように機能するかを見てみましょう。JMP に移ります。ここでは、異なる温度と異なる時間でいくつかのバッチを研究したケースがあります。まず結果を見てみましょう。ここでは、もちろん Ln がオンになっている結果が表示されています。0 ～ 36 か月の 3 つの異なる温度、15、25、30、40 で線形になるはずです。
ご覧のとおり、予想どおり、温度が高いほど、傾きが高くなります。これは、アルレニウスの式で簡単に説明できます。各バッチは、各時点で 2 回測定されます。また、日によって測定値に多少のばらつきがあるという典型的なケースも確認できます。たとえば、3 か月目に行われたすべての測定値は回帰式より上にあり、その日の測定値が高すぎたことを示しています。また、たとえば 9 か月目には、通常、測定値が低すぎます。明らかに、この曲線は測定ノイズで汚染されています... または、これらの数値は測定ノイズで汚染されています。これは非常に典型的なことです。なぜなら、測定は非常に異なる時点で行われ、ある日は他の日よりも測定値が高くなることがよくあるからです。それがどのような影響を与えるかは、1 分後にわかります。
モデリングを始めましょう。JMP で劣化分析を行うことができます。ここでは温度を組み合わせることはできませんが、温度ごとに行うことができます。これは実際には ICH ガイダンスに従っています。ここで 15 度について開きました。有意水準 0.25 で、共通の傾きと共通の切片を想定できるかどうかを調べる方法で機能します。P 値が 25 未満の場合は、別の切片と別の傾きを使用する必要があります。たとえば、15 度については、この有意基準を使用して ICH ガイダンスに従うと、共通の傾きを想定できますが、切片は異なります。
次に、実際にこれらの異なる切片の共通傾斜を使用して、各回帰線に共通の区間を作成し、バッチという単語を取ります。この場合はバッチ B です。次に、これが仕様限界、下限仕様限界、Ln スケールを捉える場所を示します。これは、この場合は 55 か月の保存期間です。
これは非常に簡単に実行できますが、この方法にはいくつか問題があります。まず、この有意水準 0.25 では、もちろん、異なる傾きが必要であるという誤った有意性を得るリスクが高くなりますが、これは必要ないかもしれません。さらに悪いことに、最初の 3 つのバッチのうちの最悪のものだけを見ていることになります。つまり、作成する最悪のバッチが最初の 3 つに含まれる可能性は低いということです。これは、後で進行中の検証で深刻な問題を引き起こす可能性があります。これは簡単ですが、推奨される方法ではありません。
もちろん、Fit model でまったく同じモデルを作成できます。それがここで示しているものです。ここでも、最初に温度で、後で組み合わせます。ここでは、時間、バッチ、時間 x バッチ (この場合は 15 度) を入力できます。時間 x バッチは、傾きがバッチに依存する可能性があることを考慮できる項であり、共通の傾きは望ましくありません。ただし、P 値が高いことがわかりますが、P 値はサンプル サイズや信号対雑音比などに非常に敏感であるため、使用しません。私は、さまざまなサンプル サイズやノイズ レベルなどに対してより堅牢な情報基準を使用することを好みます。私は、マイナス対数尤度である赤池情報基準を好みます。したがって、低いほど良いです。
時間とバッチを掛け合わせると、188-... 実際には -193 まで下がり、より良いモデルであることを意味します。これで、共通の傾きを使用できることが証明されました。次に、バッチ番号に進みます。これは、より高い端にある、より境界線上の P 値ですが、P 値ではなく、情報基準を使用しています。これを取り除くと、100 -3 から -195 まで下がります。まだ下がっています。このようにして、共通の切片を使用できることも証明されました。
ただし、前に述べたように、これらの数値は独立していないので注意してください。今のところ、JMP にはそのことを伝えていません。モデルの適合に移動して同じモデルを実行すると、より適切に行うことができます。唯一の違いは、測定日をランダム因子として入力していることです。これで、これらの測定値がグループ化されていること、同じ日の数値が同じ分析値から取得されていることを修正できます。これで、異なる P 値が得られることがわかります。もう一度、情報基準を見ると、バッチ番号と時間の積が -207 であることがわかります。これは -239 に低下します。より優れたモデル、正当化された共通勾配です。しかし、バッチ番号を取り除くとどうなるか見てみましょう。前と同じで、測定日を追加するだけです。-239 です。実際には -236 に増加します。これは取り除くべきではなく、共通切片を想定できないことを意味します。
これは、測定日を入力する必要がある理由を示す良い例です。そうしないと、数値が独立していないことに惑わされる可能性があります。温度をまたいでモデル化したい場合は、前に述べたように、かなり簡単に行うことができます。劣化データ分析に進み、この非線形部分を入力するだけです。実際には、Arrhenius 方程式が組み込まれており、4 つの温度にわたって共通の切片、共通の傾き、共通の活性化エネルギーが得られます。
しかし、先ほど示したように、共通の傾きは問題ありませんが、共通の切片は疑問です。実際には、別々の切片の共通の傾きが必要ですが、ここでは実際にこれを行うことはできません。できることは、すべてのバッチに別々のパラメータが必要だと言うことです。しかし、そうすると、別々の切片が得られ、別々の傾きが得られ、この場合は、共通の活性化エネルギーが得られます。これは理にかなっていると思います。
しかし、ここでは共通の傾きと個別の切片の組み合わせを実際に持つことはできません。しかし、JMP には解決策があります。非線形プラットフォームに移動すると、独自のフィッティング方程式を作成できます。そこでは、ここでわかるように、アレニウスを使用して、共通の活性化エネルギー、共通の傾き、個別の切片を持つことができます。つまり、それが可能です。
しかし、ここでの課題は、ランダムな要因を入れることができないことです。独立した測定ではないため、修正に苦労します。バッチもランダムな要因として入れることはできません。一般的に必要なバッチを記述するモデルを作成するのは困難です。
そのためには、実際にモデルをフィットして、ここでご覧のように、このアレニウス方程式のテイラー展開を入力します。もちろん、1 次、2 次、3 次では、異なる切片のバッチ番号を入力し、バッチ番号に時間を掛けて、異なる傾きになる可能性がある (うまくいけばそうならない) ことを処理できるようにします。さらに悪いことに、アレニウス時間をバッチ番号に掛けて修正することもできます。バッチに依存する活性化エネルギーがある可能性があり、これは奇妙である可能性があります。
しかし、AICc を見ると、最初にこの時間を除外することはなく、-730 であることがわかります。これは幸運なことです。下降するにつれて -67 まで下がります。これはより優れたモデルです。共通の活性化エネルギーを持つことが正当化されました。同じバッチ番号と時間を掛けると、P 値は境界線にあります。しかし、もう一度、赤池を見ると、実際にはまだ下降していることがわかります。共通の傾斜を持つことも正当化されました。もちろん、これは素晴らしいことです。このモデルでもこれを行うことができます。
下の方を見るとわかるように、私は実際に測定日をランダム効果として入れています。これはフィット モデルで簡単に実行できるためです。劣化プラットフォームではこれを行うことはできません。
傾斜を計算する方法がたくさんあることがおわかりいただけたと思います。ここでは、下限放出限界にどのような違いが出るか試してみました。この小さなスクリプトを実行すると、実際にさまざまな方法があることがわかります。温度別、ランダム時間付き温度別などです。この劣化プラットフォームは、すべて、個別のすべて、非線形など、ランダム時間なしのテイラーとランダム時間付きテイラーなど、すべてに存在します。
ここでは、これらのモデルから得られる勾配と標準または勾配を入力します。ここでは、1 つの測定バッチ リリースのみを行う場合の下限リリース限度が実際にわかります。私たちが推奨する方法、つまりランダム時間によるテイラー展開では、最も高いリリース限度の 1 つが得られることがわかります。もちろん、リリース限度が高いほど、後で進行中の検証で問題が発生するリスクが低くなります。ここでは、すべてのバッチが約 10.09 から開始することを要求します。そうしないと、保存期間にまだ機能しているかどうかを確認できません。
ランダムな時間を取って 15 度だけで実行すると、15 度の組み合わせが要件となるため、さらに高いリリース制限が得られます。ただし、これは別のモデルを実行すると自由度が少なくなるためです。温度全体にわたってモデルを構築することで、リリース制限を下げることができます。右側に示すように、開始時に 2 つの測定を行い、バッチ リリースで測定ノイズを抑制すると、ノイズをさらに減らすことができます。10 回行うと、さらに減らすことができます。開始時に何回測定しますか?
もちろん、バッチリリースは測定ノイズに依存し、ボトルネック内に分散されます。しかし、どの方法を使用するかによって大きな違いが生じます。独立した測定ではないことを修正しないと、リリース制限が低くなりすぎて、後で継続的な検証で問題が発生する可能性があります。
たとえば、保存期間を設定するなど、バッチ全般について説明したい場合は、ランダム係数としてバッチも追加する必要があります。ここでは、バッチと測定日の両方をランダム係数として設定しています。これで、調査に使用した 3 つのバッチについて説明しているだけでなく、バッチ全般について説明しています。次に、プロファイラーに進みます。15 度に相当するアルレニウス温度 40.272 に設定しました。保存期間の状態がわかります。彼らは、24 か月あることを証明したいと考えています。自信を持ってすべてのバッチの一般的なラインを見ると、うまくその範囲内に収まっています。この会社は、15 度で少なくとも 24 か月の保存期間があることを証明するのにまったく問題はありません。
片側に偏っていると問題になるだけなので、片側 5% のアルファを実行していることがわかります。ただし、これは 2 本の線がどこにあるかを示しているだけなので、個々の測定値がどこにあるかを予測したい場合は、同じモデルを再度実行して、同じモデルを正確に作成できます。アルファを片側 0.135% に変更しました。これは、すべてを説明するために +-3 シグマの内側にあるようなものです。ここでも同じことがわかります。もちろん、アルファを取ると少し広くなります。ここで予測限界を示します。
残念ながら、バージョン 17 のプロファイラーでは予測限界を表示できません。すぐに 18 のアーリー アダプターについて説明します。まだリリースされていませんが、リリースされる予定です。そこで同じモデルを実行します。バージョン 18 の優れた点は、プロファイラーで信頼限界とダーク ウェイの両方を表示できることです。ただし、予測限界または個別の信頼限界も表示できます。これは、これらのバッチの保存期間で個々の観察値がどうなるかを予測できる場所です。下限仕様をわずかに下回る値になることが予測できます。
継続的な検証では、仕様限界よりもわずかに広い予測区間内に収まるように要件を設定することをお勧めします。この方法では、測定の問題による不適合も回避できます。
保存期間と検証には多くの落とし穴があることがおわかりいただけたと思いますが、JMP にはこれらの落とし穴を回避し、実際に正しく実行するための優れたツールボックスがあります。最後に、プレゼンテーションに戻って最初に取り上げた問題に戻り、もう一度示します。なぜなら、すでに問題を確認したからです。クライアントで保存期間を実施する場合、それをリリース制限に変換することを強くお勧めします。そうすれば、開始時に要件を設定することになるため、将来作成するすべてのバッチが保存期間内に確実に機能するからです。
もちろん、すべてのモデルを Ln データで実行します。モデル ダイアログ ウィンドウでロックをオンにするだけで、線形であるはずの回帰が得られます。モデル内のランダム ファクターとして時間を終了します。その後、すべての日に同じ測定レベルがない可能性があるので、それを修正できます。もちろん、簡単に実行できるこの Arrhenius 式のテイラー展開を使用して、温度間でモデルを構築します。もちろん、複数の登録を行わないことを忘れないでください。時間 0 ポイントは、1 つの温度でのみ入力する必要があります。
次に、継続的な保存期間の検証を行う場合、ICH 方式は推奨しません。これは、最初の 3 つのうち最も悪いものを見ることを想定しているためですが、おそらくそうではありません。リリース制限を計算するときに、適切な傾斜基準、適切な自由度を取得することも非常に重要です。独立した測定がない場合、n-1 だけではありません。通常は、分析値をランダム係数として入力する必要があります。
最後に、進行中の検証の仕様を必ず設定してください。仕様は、保存期間の設定に使用したバッチで作成した予測区間に準拠する必要があります。ご清聴ありがとうございました。JMP を使用して保存期間を非常に適切に設定する方法をご理解いただけたと思います。ありがとうございました。
