JMP es una herramienta potente para evaluar grandes conjuntos de datos. En este caso práctico, se inició una investigación para determinar la causa raíz de un conjunto de fallos de instrumentación. Gracias a JMP, el equipo pudo descartar elementos, analizar tendencias y visualizar los datos. Como resultado, se resolvió la investigación y se identificó la causa raíz.
Esta presentación incluye información sobre la investigación y una breve demostración de cómo utilizamos la función de mapa de 96 pozos en Graph Builder, junto con nuestro conocimiento de la instrumentación, para determinar la causa raíz.
Hola a todos. Soy Holly Oxley. Soy científica de aplicaciones y gerente en Exact Sciences, y estoy aquí hoy para compartir con ustedes una investigación en la que usamos JMP para determinar la causa raíz.
En gran parte de nuestro trabajo, las investigaciones son una parte importante de lo que hace mi equipo. En ese sentido, nos damos cuenta de que las investigaciones son como rompecabezas sin armar. Con esto quiero decir que están compuestas de componentes.
Su complejidad varía. Requieren analizar tanto elementos pequeños como grandes. Normalmente, las piezas se pueden agrupar y relacionar para obtener información adicional. Suelen presentar algún patrón detectable. Casi siempre requieren cierto grado de experimentación. En definitiva, el trabajo es una obra de arte de datos.
Para este escenario específico, repasaremos cómo encajan estas piezas del rompecabezas y cómo JMP nos ayudó a comprender lo que estaba sucediendo, lo que condujo a una verdadera causa raíz del problema.
En primer lugar, tenemos componentes de diversa complejidad, lo que yo llamo similar al número de piezas de un rompecabezas. Los datos para las investigaciones provienen de numerosas fuentes dentro de nuestros laboratorios, como datos de reactivos, instrumentación, ambientales, observaciones de operadores y datos de tendencias.
Estos conjuntos de datos e investigaciones también pueden variar en complejidad. Mi equipo utiliza JMP para generar resultados desde una sola ejecución hasta más de cinco millones de líneas de datos con más de 200 columnas. El uso de JMP abarca desde la importación de archivos individuales hasta archivos completos de consultas SQL conectados directamente a bases de datos.
El caso de estudio en este caso específico es más pequeño, pero se trata de un aumento en la frecuencia de muestreo no válido. Al observar los elementos pequeños y grandes, observamos que hay piezas con diferentes formas.
Algunos de esos elementos pequeños incluyen información como rangos de fechas específicos, datos de ejecución e información de reactivos, mientras que otros elementos más importantes incluyen comparaciones de centros (si se trabaja en varios laboratorios), conocimiento de otros problemas que ocurren dentro de la organización o en las investigaciones en curso, y tendencias históricas. Esto es fundamental para nosotros. Disponemos de una gran cantidad de datos, y las tendencias históricas son muy importantes. Además, la instrumentación y el impacto general de la muestra.
El análisis de nuestros datos mediante JMP incluye, entre otras cosas, la importación de múltiples archivos, distribuciones, tablas de tabulación, ajuste de tablas de Y por X, gráficos de variabilidad, el Constructor de Gráficos, la recodificación, la modificación de fecha y hora, y la creación de fórmulas. También empleamos scripts siempre que es posible para optimizar nuestro trabajo y el análisis de datos.
En este caso, el laboratorio escaló un problema en el que observamos un aumento en las muestras que arrojaban resultados no válidos debido a la detección de calidades insuficientes en los primeros pasos del análisis. Agrupamos o relacionamos los elementos de este rompecabezas para comprender y determinar qué información adicional podemos obtener que nos ayude en esta investigación.
Al realizar ese análisis, agrupamos diferentes piezas de, supongo, datos de control, datos de calibración, datos de instrumentación, y llegamos a la conclusión de que ninguna de esas cosas específicas era la causa del problema actual.
Una vez descartadas estas piezas, se nos permitió evaluar otras conexiones potenciales, como una afluencia de problemas con consumibles que habíamos notado en otras investigaciones, y por lo tanto nos permitió comenzar cosas como rastrear el lote para comprender dónde se usó.
Los eventos de mantenimiento de instrumentación no evitaron que el mismo instrumento tuviera otro problema poco después de completarse el evento de mantenimiento original y, por eso, pudimos determinar que la instrumentación podría ser un factor contribuyente, pero probablemente no la causa raíz.
Al evaluar elementos más pequeños, como calibración y control, datos de fallos o información sobre fallos de reactivos, observamos que la tendencia de los datos que teníamos no mostró ningún aumento en las tasas de inválidos en una sola ejecución. Se observó más bien a nivel de muestra única.
La información de los reactivos nos mostró que no hubo cambios en los reactivos específicos que usaba un solo sitio, y estábamos viendo el problema en dos sitios que usaban diferentes conjuntos de reactivos.
Una vez que llegamos a ese punto, la forma en que descartamos la instrumentación mostraba patrones perceptibles. Lo que observábamos era que, a pesar de que una gran cantidad de instrumentación se desconectaba ocasionalmente debido a este problema, se estaban reparando y no volvían a funcionar con un rendimiento mejor que el que habíamos visto antes de las reparaciones.
Esto nos llevó a analizar los patrones con más detalle. Utilizamos JMP Graph Builder y la función Forma del Mapa para visualizar dónde se encontraban las muestras no válidas. En esta pequeña imagen, se pueden ver puntos rojos y azules dentro de cada pocillo de la placa de 96 pocillos.
Se puede observar que hay un patrón. Los puntos rojos son muestras válidas y los azules, muestras no válidas. Se puede observar que, a la derecha de la placa, hay claramente muchos más puntos azules que rojos. También se observan ligeramente siguiendo ciertas columnas. No se trata solo de las filas, sino también de las columnas. Mi equipo solicitó que se informara inmediatamente de la siguiente incidencia alta de muestras no válidas.
El conocimiento de la instrumentación, combinado con este patrón de datos, nos llevó a la determinación de tendencias de lotes de material consumible, cuyo rastreo ya habíamos iniciado con base en otra investigación en curso. Por supuesto, siempre hay cierto grado de experimentación.
En este caso, se seleccionó un solo instrumento para intentar reproducir el problema en el laboratorio, ya que no podíamos reproducirlo con los materiales del equipo investigador. Utilizábamos sus materiales en el laboratorio.
La naturaleza intermitente del problema se pudo reproducir con aproximadamente 20 de los consumibles sobre los que teníamos dudas. La experimentación mostró una causa clara e identificable visualmente durante la colocación del consumible en cuestión en la instrumentación. Esto se confirmó posteriormente con los datos que procesamos en esas placas durante la resolución de problemas.
Una vez realizado todo esto, pudimos determinar finalmente que nuestra placa de pocillos profundos era el verdadero problema que causaba el aumento en la tasa de inválidos que observábamos. El fabricante confirmó posteriormente que las placas que habíamos adquirido y conservado como parte de esta investigación se encontraban fuera de los rangos de tolerancia especificados por el proveedor. Esto, según nuestros laboratorios asociados, resultó en una siembra incorrecta de la placa en la instrumentación, lo que provocó la agrupación observada de las muestras, lo que generó los resultados inválidos.
En general, por supuesto, el arte de la simplicidad es un rompecabezas de complejidad, y eso es precisamente lo que vimos en esta situación tan específica. Dado que usamos JMP para realizar esta investigación, solo quería compartir un par de consejos sobre lo que vimos y cómo determinamos que podríamos usar esta herramienta. Existen múltiples tipos de mapas en la comunidad de JMP. Incluso puedes crear el tuyo propio. Incluí una publicación aquí sobre cómo crear tu propio tipo de diseño.
La segunda publicación corresponde al formato Well que usamos para esta investigación. Se trataba del archivo Plate96Welsl-Name.jmp, que se encuentra en el enlace asociado a continuación.
Con esto termina mi presentación. Permítanme tomar rápidamente el material para la demostración. Cómo lo usé al realizar este análisis. Este es un conjunto de datos de ejemplo que usé para realizar esta determinación con el mapa.
Aquí se puede ver el ID de la placa, el número de pocillo, una columna específica llamada Pocillo, el estado de la muestra y el número de serie de la configuración. Este número está asociado a la instrumentación. El estado de la muestra es bastante claro: indica si el resultado es válido o no.
Luego, debido a la configuración de nuestro software, tuve que crear una nueva columna para cada pozo y así poder usar la función del mapa que quería. Para ello, etiqueté exactamente el orden en la placa de 96 pocillos y le asigné la designación A1 a H12 en esta columna, que es la requerida para el mapa.
Una vez que... ¡Uy! Disculpas. Una vez que estés en esta columna específica y hayas creado esa información, puedes ir a la información de la columna. Mi modelado específico es de carácter y es nominal para este ejemplo, pero luego vas al menú desplegable Propiedades de columna y encontrarás Rol de mapa. Selecciona Rol de mapa.
Aquí tienes la opción de forma, nombre y uso, o forma, nombre y definición. Me quedaré con forma, nombre y uso, y luego buscaré el archivo específico del que quiero extraer datos, que será... un momento, la placa de 96 pocillos. Luego definiré la columna que llamé "Pozo" como la columna específica a la que quiero aplicar esta forma de mapa. Luego hago clic en Aceptar.
Desde allí, iré al Constructor de Gráficos y arrastraré la nueva columna que acabo de caracterizar para la forma a la forma del Mapa. Ahora pueden ver que tengo un diseño de 96 pocillos. Desde allí, para este análisis específico, arrastré el estado de la muestra a la sección de color y número de serie o configuré el número de serie en la página. Ahora puedo ver que, en el número de ejecuciones que tengo representadas para este número de serie específico, se muestran diferentes poblaciones con resultados válidos o no válidos.
A partir de ahí, solo quería buscar por ejecución. Apliqué un filtro de datos local, que incluía la configuración de la muestra (o mejor dicho, el estado), y seleccioné los dos elementos que realmente quería ver.
Luego, dentro del Mapa mismo, fui a Formas del Mapa y lo cambié a puntos para que cuando tuviera ejecuciones que se realizaron más de una vez en un instrumento, pudiera ver todos los datos representativos que estaban representados en esa tabla específica.
Aquí arriba, se puede ver que se trata de una sola ejecución y se puede apreciar el patrón de los inválidos. En el segundo ejemplo, se observa un patrón diferente de inválidos y también múltiples ejecuciones. Este es un ejemplo de una prueba previa y una posterior donde supimos que había un problema. Realizamos la prueba antes del mantenimiento y la volvimos a realizar después.
Se puede observar que la población no se movió mucho. Hubo un ligero movimiento, pero ambos escenarios nos muestran dos cosas sobre cómo se asentó la placa. En este escenario, es probable que la placa estuviera colocada sobre nuestra instrumentación, de modo que el lado derecho del consumible de la placa se inclinó, lo que provocó este error específico.
Luego, en el segundo ejemplo, el mantenimiento previo y posterior, en realidad no muestra ningún cambio, pero sigue mostrando que la ubicación de esa placa fue extremadamente importante, donde se ve que esos pozos se reproducen en el mismo tipo de área incluso después de un evento de mantenimiento.
Una vez que pudimos identificar esto y determinar la causa raíz del problema en ese consumible, tuvimos motivos para contactar a nuestro proveedor y conversar con él, quien finalmente nos devolvió la información que presenté en la última diapositiva, donde sus dimensiones estaban fuera de especificación. Eso es todo. Gracias a todos por disfrutar de Graph Builder, y espero que esto les haya sido útil.
