JMP è uno strumento potente quando utilizzato per valutare grandi set di dati. In questo caso di studio, è stata avviata un'indagine per determinare la causa principale di una serie di guasti alla strumentazione. Utilizzando JMP, il team è stato in grado di escludere o escludere elementi, eseguire analisi di tendenza e visualizzare i dati. Di conseguenza, l'indagine è stata risolta e la causa principale è stata identificata.
Questa presentazione include informazioni sull'indagine e una breve dimostrazione di come abbiamo utilizzato la funzionalità della mappa a 96 pozzi in Graph Builder, abbinata alla nostra conoscenza della strumentazione, per determinare la causa principale.
Ciao a tutti. Sono Holly Oxley. Sono Application Scientist e Manager presso Exact Sciences e oggi sono qui per condividere con voi un'indagine in cui utilizziamo JMP per determinare la causa principale.
In gran parte del nostro lavoro, le indagini sono una parte importante di ciò che fa il mio team. In questo, ci rendiamo conto che le indagini sono un po' come enigmi non ancora risolti. Ciò che intendo dire è che sono composte da componenti.
Variano in complessità. Richiedono l'analisi sia di elementi piccoli che di elementi grandi. I pezzi possono in genere essere raggruppati e correlati per ricavare informazioni aggiuntive. In genere presentano uno schema riconoscibile. Richiedono quasi sempre un certo livello di sperimentazione. Alla fine, il lavoro è un'opera d'arte dei dati.
Per questo scenario specifico, spiegherò come questi pezzi del puzzle si incastrano tra loro e come JMP ci ha aiutato a comprendere cosa stava succedendo, il che ha portato alla vera causa principale del problema.
In primo luogo, abbiamo componenti e complessità variabili, che definirei simili al numero di pezzi di un puzzle. I dati per le indagini provengono da una miriade di fonti all'interno dei nostri laboratori, e possono includere dati sui reagenti, dati sulla strumentazione, dati ambientali, osservazioni degli operatori e dati di tendenza.
Anche questi set di dati e le indagini stesse possono variare in complessità. Il mio team utilizza JMP per output di risultati di piccole dimensioni, da una singola esecuzione fino a oltre cinque milioni di righe di dati con oltre 200 colonne. L'uso delle importazioni JMP spazia dall'importazione di singoli file fino a file di query SQL completi collegati direttamente ai database.
Il caso di studio in questo caso specifico è più piccolo, ma riguarda un aumento della frequenza di campionamento non valida. Osservando questi elementi piccoli e grandi, vediamo che hanno forme diverse.
Alcuni di questi piccoli elementi includono intervalli di date specifici, dati di esecuzione e informazioni sui reagenti, mentre alcuni degli elementi più ampi includono confronti tra siti, se sto eseguendo analisi in più laboratori, la conoscenza di altri problemi che si verificano all'interno dell'organizzazione o nelle indagini in corso, l'andamento storico, che è fondamentale per noi. Abbiamo molti dati, e l'andamento storico è molto importante. Poi la strumentazione e l'impatto complessivo del campione.
L'analisi dei nostri dati tramite JMP include, a titolo esemplificativo ma non esaustivo, importazioni di file multipli, distribuzioni, tabelle di tabulazione, tabelle di adattamento Y per X, grafici di variabilità, Graph Builder, ricodifica, modifiche di data e ora e creazione di formule. Ove possibile, utilizziamo anche scripting per rendere il nostro lavoro e l'analisi dei dati il più efficienti possibile.
In questo caso, il laboratorio ha segnalato un problema in cui abbiamo notato un aumento dei campioni che restituivano risultati non validi a causa di una qualità insufficiente del campione rilevata nelle prime fasi dell'analisi. Raggruppiamo o mettiamo in relazione gli elementi di questo puzzle per comprendere e determinare quali informazioni aggiuntive potremmo essere in grado di ricavare che ci aiuteranno in questa indagine.
Facendo questo esame, abbiamo raggruppato diverse parti di dati di controllo, dati di calibrazione, dati di strumentazione e siamo giunti alla conclusione che nessuna di queste cose specifiche era la causa del problema attuale.
Una volta esclusi questi pezzi, ci è stato permesso di valutare altre potenziali connessioni, come un afflusso di problemi con i materiali di consumo che avevamo notato in altre indagini, e quindi ci ha permesso di iniziare cose come la tracciabilità del lotto per capire dove è stato utilizzato.
Gli eventi di manutenzione della strumentazione non hanno impedito che lo stesso strumento presentasse un altro problema poco dopo il completamento dell'evento di manutenzione originale e, per questo motivo, siamo stati in grado di stabilire che la strumentazione potrebbe essere un fattore contribuente, ma probabilmente non la causa principale.
Quando abbiamo valutato elementi più piccoli come calibrazione e controllo, dati di errore o informazioni sui guasti dei reagenti, abbiamo notato che l'andamento dei dati in nostro possesso non mostrava alcun aumento dei tassi di non validità a partire da una singola analisi. Il problema era più evidente a livello di singolo campione.
Le informazioni sui reagenti ci hanno mostrato che non c'erano state modifiche ai reagenti specifici utilizzati da un singolo sito e che il problema si era verificato in due siti che utilizzavano set di reagenti diversi.
Una volta arrivati a quel punto, il modo in cui avevamo escluso la strumentazione mostrava schemi evidenti. Quello che stavamo osservando era che, nonostante una grande quantità di strumentazione fosse stata occasionalmente danneggiata a causa di questo problema, la stavano riparando e quella che non tornava in servizio con prestazioni migliori di quelle che avevamo visto prima delle correzioni.
Questo ci ha spinto ad analizzare più approfonditamente i pattern. Siamo riusciti a utilizzare JMP Graph Builder e la funzione Map Shape per visualizzare dove si trovavano i campioni non validi. In questa piccola immagine, si possono vedere punti rossi e blu all'interno di ciascuno dei pozzetti della piastra a 96 pozzetti.
Si può notare che c'è un certo schema. I punti rossi sono campioni validi e i punti blu sono campioni non validi. Si può notare che sul lato destro della piastra ci sono chiaramente molti più punti blu rispetto ai punti rossi. Inoltre, seguono leggermente alcune colonne. Non si tratta solo delle righe, ma anche delle colonne. Il mio team ha quindi richiesto che il successivo caso di campione non valido con un numero elevato di punti venisse segnalato immediatamente.
La conoscenza della strumentazione, combinata con questo modello di dati, ci ha portato a un trend dei lotti di materiali di consumo, per i quali avevamo già iniziato a tracciare i lotti sulla base di un'altra indagine in corso. Naturalmente, c'è sempre un certo livello di sperimentazione.
In questo caso, è stato selezionato un singolo strumento per tentare di riprodurre il problema in laboratorio, perché nelle nostre mani non eravamo in grado di riprodurre il problema con i materiali forniti dal team di ricerca. Siamo andati in laboratorio per utilizzare i loro materiali.
La natura intermittente del problema è stata riprodotta con circa 20 dei materiali di consumo su cui avevamo formulato la domanda. La sperimentazione ha mostrato una causa distinta e visivamente identificabile durante il posizionamento della strumentazione sul materiale di consumo in questione. Ciò è stato successivamente confermato dai dati che abbiamo analizzato su quelle piastre durante la risoluzione dei problemi.
Una volta fatto tutto questo, siamo stati in grado di stabilire finalmente che la nostra piastra Deep Well era il vero problema alla base dell'aumento di velocità non valido che stavamo osservando. Il produttore ha poi confermato che le piastre che avevamo acquisito e conservato nell'ambito di questa indagine erano in realtà al di fuori degli intervalli di tolleranza delle specifiche definiti dal fornitore, il che, nelle mani dei nostri partner di laboratorio, ha causato un'inseminazione inappropriata della piastra sulla strumentazione, con conseguente clustering dei campioni che ha generato i risultati non validi.
Nel complesso, ovviamente, l'arte della semplicità è un puzzle di complessità, ed è esattamente ciò che abbiamo visto in questa situazione molto specifica. Dato che abbiamo utilizzato JMP per condurre questa indagine, volevo solo condividere un paio di suggerimenti su ciò che abbiamo visto e su come abbiamo valutato l'utilizzo di questo strumento. Esistono diversi tipi di mappe all'interno della community di JMP. È anche possibile crearne di proprie. Ho incluso un post qui su come creare il proprio tipo di layout.
Il secondo post è in realtà il formato Well che abbiamo utilizzato per condurre questa indagine. Si tratta del file Plate96Welsl-Name.jmp, che potete trovare nel link associato qui sotto.
Qui termina la mia presentazione. Permettetemi di prendere velocemente il materiale per la dimostrazione vera e propria. Come ho usato tutto questo quando ho effettivamente eseguito questa analisi. Questo è un set di dati di esempio di ciò che ho usato per effettuare questa determinazione con la mappa.
Qui potete vedere un ID piastra, un numero di pozzetto, una colonna specifica chiamata Pozzetto, lo stato del campione e il numero di serie del setup. Il numero di serie del setup è associato alla strumentazione stessa. Lo stato del campione è abbastanza chiaro, indicando se il risultato è valido o meno.
Poi, per quanto riguarda il numero di pozzi, a causa della configurazione del nostro software, ho dovuto creare una nuova colonna per i pozzi per poter utilizzare la funzionalità della mappa che volevo utilizzare. Nel farlo, ho etichettato esattamente quale sarebbe stato il nostro ordine nella piastra a 96 pozzi e gli ho assegnato la designazione da A1 a H12 in questa colonna Pozzi, che è ciò che è richiesto per l'utilizzo nella mappa vera e propria.
Poi, una volta che... ops, scusate. Una volta che siete in questa colonna specifica e avete creato quelle informazioni, potete effettivamente andare alle informazioni della colonna. La mia modellazione specifica è quella del personaggio ed è nominale per questo esempio, ma poi andate al menu a discesa Proprietà colonna e troverete Ruolo mappa. Selezionate Ruolo mappa.
Qui hai un'opzione tra forma, nome, utilizzo o forma, nome, definizione. Rimango su forma, nome, utilizzo, e poi cerco il file specifico da cui vorrei estrarre i dati, che sarà... ok, aspetta un attimo, piastra a 96 pozzetti. Quindi definisco la colonna che ho chiamato Well come la colonna specifica a cui voglio applicare questa forma di mappa. Quindi clicco su OK.
Da lì, vado in Graph Builder e trascino la nuova colonna che ho appena caratterizzato per la forma nella forma Mappa. Ora potete vedere che ho un layout a 96 pozzetti. Da lì, per questa analisi specifica, ho trascinato lo stato del campione nel colore e il numero seriale o il numero seriale impostato nella pagina. Ora posso vedere, in base al numero di esecuzioni che ho rappresentato da questo specifico numero seriale, che vengono visualizzate diverse popolazioni di risultati validi o non validi.
Da lì, ho voluto semplicemente guardare per esecuzione. Ho applicato un filtro dati locale, che poi includeva l'impostazione del campione, o meglio lo stato, e ho selezionato solo i due elementi che volevo davvero vedere.
Quindi, all'interno della mappa stessa, sono andato su Forme mappa e l'ho modificata in punti, in modo che quando avevo delle esecuzioni eseguite più di una volta su uno strumento, potevo vedere tutti i dati rappresentativi rappresentati in quella tabella specifica.
Come potete vedere in alto, questa è una singola esecuzione, e potete vedere la distribuzione degli elementi non validi. Nel secondo esempio, c'è una distribuzione diversa degli elementi non validi e anche più esecuzioni. Questo è un esempio di un pre e post test in cui sapevamo che c'era un problema. Abbiamo eseguito il test prima della manutenzione e poi ripetuto il test dopo la manutenzione.
Si può notare che la popolazione non si è spostata di molto. C'è stato un leggero movimento, ma entrambi gli scenari ci mostrano due aspetti sul posizionamento della piastra. In questo scenario, la piastra era probabilmente posizionata sulla nostra strumentazione in modo che il lato destro del consumabile della piastra fosse effettivamente inclinato, causando questo specifico errore.
Poi, nel secondo esempio, la manutenzione pre e post, non mostra alcun cambiamento, ma continua a dimostrare che il posizionamento delle piastre era estremamente importante, dove si vedono quei pozzi riprodursi nello stesso tipo di area anche dopo un evento di manutenzione.
Una volta che siamo stati in grado di vedere davvero questo problema e di individuarne la causa principale, abbiamo avuto motivo di contattare il nostro fornitore e di discuterne con lui, che ci ha poi restituito le informazioni che ho presentato nell'ultima diapositiva, con le dimensioni fuori specifica. Questo è tutto ciò che ho qui. Grazie a tutti per aver utilizzato Graph Builder e per esservi divertiti, e spero che questo articolo vi sia stato utile.
