JMP est un outil puissant pour l'analyse de grands ensembles de données. Dans cette étude de cas, une enquête a été ouverte afin de déterminer la cause première d'une série de défaillances d'instrumentation. Grâce à JMP, l'équipe a pu identifier les causes possibles, analyser les tendances et visualiser les données. L'enquête a ainsi pu être résolue et la cause première a été identifiée.
Cette présentation comprend des informations sur l'enquête et une brève démonstration de la façon dont nous avons utilisé la fonction de cartographie des 96 puits dans Graph Builder, associée à notre connaissance de l'instrumentation, pour déterminer la cause première.
Bonjour à tous. Je suis Holly Oxley, scientifique d'application et responsable chez Exact Sciences, et je suis ici aujourd'hui pour vous présenter une enquête où nous avons utilisé JMP pour déterminer la cause racine d'un problème.
Dans une grande partie de notre travail, les enquêtes constituent une part importante des activités de mon équipe. À cet égard, nous avons conscience que les enquêtes sont un peu comme des puzzles inachevés. Autrement dit, elles sont composées de pièces détachées.
Leur complexité est variable. Elles nécessitent l'analyse d'éléments aussi bien petits que grands. Les éléments peuvent généralement être regroupés et mis en relation pour en extraire des informations supplémentaires. Elles présentent généralement une structure identifiable. Elles requièrent presque toujours une part d'expérimentation. Au final, le résultat est une œuvre d'art numérique.
Dans ce cas précis, je vais expliquer comment ces éléments s'assemblent et comment JMP nous a aidés à comprendre ce qui se passait, ce qui a permis d'identifier la véritable cause du problème.
Tout d'abord, nous avons des éléments constitutifs de complexité variable, que je compare au nombre de pièces d'un puzzle. Les données nécessaires aux investigations proviennent d'une multitude de sources au sein de nos laboratoires, notamment les données relatives aux réactifs, aux instruments de mesure, à l'environnement, les observations des opérateurs et les données de tendances.
La complexité de ces ensembles de données et des analyses elles-mêmes peut varier. Mon équipe utilise JMP pour traiter des résultats allant d'une simple exécution à plus de cinq millions de lignes de données comportant plus de 200 colonnes. L'importation de données via JMP s'étend des fichiers uniques aux fichiers de requêtes SQL complets, connectés directement aux bases de données.
L'étude de cas présentée ici est plus restreinte, mais elle porte sur l'augmentation du taux d'échantillons invalides. L'analyse des éléments, petits et grands, révèle des pièces de formes variées.
Parmi ces petits éléments, on retrouve notamment des plages de dates spécifiques, les données d'exécution et les informations sur les réactifs. Les éléments plus importants incluent, par exemple, les comparaisons entre sites (si j'effectue des analyses dans plusieurs laboratoires), la connaissance d'autres problèmes survenant au sein de l'organisation ou dans le cadre d'enquêtes en cours, ainsi que l'historique des tendances, un point crucial pour nous. Nous disposons d'une grande quantité de données, et cet historique est essentiel. Viennent ensuite l'instrumentation et l'impact global sur les échantillons.
L'analyse de nos données avec JMP comprend, entre autres, l'importation de fichiers multiples, les distributions, les tableaux de contingence, les tableaux d'ajustement Y x X, les graphiques de variabilité, l'utilisation de Graph Builder, le recodage, la modification des dates et heures, et la création de formules. Nous utilisons également des scripts lorsque cela est possible afin d'optimiser notre travail et l'analyse de nos données.
Dans ce cas précis, le laboratoire a signalé un problème : une augmentation du nombre d'échantillons donnant des résultats invalides était due à une qualité insuffisante détectée dès les premières étapes de l'analyse. Nous regroupons et mettons en relation les différents éléments de ce problème afin de comprendre et de déterminer quelles informations supplémentaires pourraient nous être utiles dans cette enquête.
En procédant à cette analyse, nous avons regroupé différentes données, je suppose des données de contrôle, des données d'étalonnage, des données d'instrumentation, et nous sommes arrivés à la conclusion qu'aucune de ces données spécifiques n'était à l'origine du problème actuel.
Une fois ces éléments écartés, nous avons pu évaluer d'autres liens potentiels, comme une augmentation des problèmes liés aux consommables que nous avions constatés lors d'autres enquêtes, ce qui nous a permis d'entamer un travail de traçabilité des lots afin de comprendre leur utilisation.
Les interventions de maintenance sur l'instrumentation n'ont pas empêché le même instrument de présenter un autre problème peu de temps après la fin de l'intervention initiale. De ce fait, nous avons pu déterminer que l'instrumentation pouvait être un facteur contributif, mais probablement pas la cause première.
Lors de l'évaluation d'éléments plus précis comme l'étalonnage et le contrôle, les données de défaillance ou les informations sur les défaillances des réactifs, nous avons constaté que l'évolution des données ne montrait aucune augmentation des taux d'invalidité par rapport à une seule analyse. Le problème se situait plutôt au niveau de chaque échantillon.
Les informations relatives aux réactifs nous ont montré qu'aucun changement n'avait été apporté aux réactifs spécifiques utilisés par un seul site, et que nous constations le problème sur deux sites utilisant des ensembles de réactifs différents.
Une fois ce stade atteint, l'élimination des instruments en cause a révélé des tendances claires. Nous avons constaté que, malgré la mise hors service ponctuelle d'un grand nombre d'instruments en raison de ce problème, les réparations effectuées ne permettaient pas d'améliorer leurs performances après leur remise en service.
Cela nous a conduits à examiner plus en détail les tendances. Nous avons pu utiliser JMP Graph Builder et la fonction Map Shape pour visualiser l'emplacement des échantillons invalides. Sur cette image, on peut observer des points rouges et bleus dans chacun des puits de la plaque 96 puits.
On observe une certaine régularité. Les points rouges représentent des échantillons valides et les points bleus, des échantillons invalides. Sur la droite du graphique, on constate nettement plus de points bleus que de points rouges. Leur répartition semble également suivre certaines colonnes. Ce phénomène s'observe non seulement au niveau des lignes, mais aussi au niveau des colonnes. Mon équipe a donc demandé que le prochain cas d'échantillon invalide présentant un nombre élevé de valeurs soit signalé immédiatement.
La connaissance des instruments, combinée à l'analyse de ces données, nous a permis d'identifier les tendances des lots de consommables. Nous avions déjà entamé le traçage des lots dans le cadre d'une autre enquête. Bien entendu, une part d'expérimentation est toujours nécessaire.
Dans ce cas précis, un seul instrument a été sélectionné pour tenter de reproduire le problème en laboratoire, car nous n'avons pas réussi à le reproduire avec le matériel fourni par l'équipe d'enquête. Nous nous sommes donc rendus au laboratoire pour utiliser leur matériel.
Le caractère intermittent du problème a pu être reproduit avec une vingtaine de pièces consommables sur lesquelles nous avions des doutes. L'expérimentation a mis en évidence une cause distincte et visuellement identifiable lors de la mise en place de l'instrumentation de la pièce consommable en question. Ceci a ensuite été confirmé par les données recueillies sur ces plaques lors du dépannage.
Une fois toutes ces étapes réalisées, nous avons pu déterminer que nos plaques à puits profonds étaient la véritable cause de l'augmentation du taux d'échantillons invalides que nous constations. Le fabricant a ensuite confirmé que les plaques que nous avions acquises et conservées dans le cadre de cette enquête étaient en réalité hors des plages de tolérance définies par le fournisseur. Entre les mains de nos partenaires de laboratoire, cela a entraîné un ensemencement incorrect des plaques sur l'instrumentation, d'où le regroupement des échantillons observé et la génération des résultats invalides.
Bien sûr, l'art de la simplicité est en soi un casse-tête complexe, et c'est précisément ce que nous avons constaté dans cette situation particulière. Puisque nous avons utilisé JMP pour mener cette enquête, je souhaitais partager quelques conseils sur nos observations et sur la manière dont nous avons déterminé l'utilité de cet outil. La communauté JMP propose différents types de cartes. Vous pouvez même créer les vôtres. J'ai d'ailleurs inclus un article ici expliquant comment créer votre propre type de mise en page.
Le deuxième élément correspond au format Well que nous avons utilisé pour cette enquête. Il s'agit du fichier Plate96Welsl-Name.jmp, que vous trouverez via le lien ci-dessous.
Voilà qui conclut mon diaporama. Je vais rapidement préparer le matériel pour la démonstration. Voici comment j'ai procédé lors de cette analyse. Il s'agit d'un exemple de jeu de données utilisé pour réaliser cette analyse cartographique.
Vous pouvez voir ici un identifiant de plaque, un numéro de puits, une colonne spécifique appelée « Puits », puis l'état de l'échantillon et le numéro de série de l'instrumentation. Ce dernier est associé à l'instrumentation elle-même. L'état de l'échantillon indique clairement si le résultat est valide ou non.
Ensuite, en raison de la configuration de notre logiciel, j'ai dû créer une nouvelle colonne pour les puits afin d'utiliser la fonction cartographique souhaitée. J'y ai indiqué l'ordre des puits dans la plaque à 96 puits et lui ai attribué la désignation A1 à H12, nécessaire à l'affichage de la carte.
Ensuite, une fois que vous… oups, pardon. Une fois dans cette colonne et après avoir créé les informations, vous pouvez accéder aux informations de la colonne. Dans mon exemple, le modèle est de type caractère et nominal. Ensuite, dans le menu déroulant Propriétés de la colonne, vous trouverez Rôle de mappage. Sélectionnez Rôle de mappage.
Vous avez ici le choix entre forme, nom et utilisation, ou forme, nom et définition. Je vais conserver l'option forme, nom et utilisation, puis sélectionner le fichier spécifique dont je souhaite extraire les données, à savoir… attendez, plaque 96 puits. Ensuite, je vais définir la colonne nommée « Puits » comme étant celle à laquelle je souhaite appliquer cette forme. Enfin, je clique sur OK.
Ensuite, je vais dans l'éditeur de graphiques et je glisse la nouvelle colonne que je viens de définir pour la forme dans la forme de la carte. Vous pouvez maintenant voir que j'ai une disposition à 96 puits. Pour cette analyse, j'ai glissé le statut de l'échantillon dans la couleur et le numéro de série (ou configuré le numéro de série) dans la page. Je peux maintenant observer, pour chaque série d'analyses correspondant à ce numéro de série, différentes populations de résultats valides ou invalides.
Ensuite, j'ai voulu examiner les résultats par exécution. J'ai appliqué un filtre de données local, incluant la configuration de l'échantillon (ou plutôt son statut), et j'ai sélectionné les deux éléments qui m'intéressaient.
Ensuite, dans la carte elle-même, je suis allé dans Formes de la carte et je l'ai changée en points afin que, lorsque j'avais des essais effectués plus d'une fois sur un instrument, je puisse voir toutes les données représentatives qui étaient représentées dans ce tableau spécifique.
Comme vous pouvez le voir ici, en haut, il s'agit d'une seule exécution, et vous pouvez observer la répartition des valeurs invalides. Dans le deuxième exemple, la répartition des valeurs invalides est différente, et il s'agit également de plusieurs exécutions. C'est un exemple de test avant et après intervention, réalisé alors que nous savions qu'il y avait un problème. Nous avons effectué un test avant la maintenance, puis un second après.
On constate que la population n'a pas beaucoup bougé. Il y a eu un léger mouvement, mais ces deux scénarios nous révèlent deux choses concernant la mise en place de la plaque. Dans ce scénario, la plaque était probablement positionnée sur notre instrument de telle sorte que le côté droit du consommable était incliné, ce qui a provoqué cette erreur.
Ensuite, dans le deuxième exemple, l'avant et l'après maintenance, ne montrant pas vraiment de changement, mais continuant de démontrer que le positionnement de la plaque était extrêmement important, où l'on voit ces puits se reproduire dans le même type de zone même après une opération de maintenance.
Une fois que nous avons pu constater le problème et en identifier la cause (le consommable), nous avons pu contacter notre fournisseur et discuter avec lui. Ce dernier nous a alors confirmé que les dimensions étaient hors spécifications, comme je l'ai présenté dans la diapositive précédente. C'est tout pour aujourd'hui. Merci à tous d'avoir utilisé Graph Builder et j'espère que cette présentation vous a été utile.
