La qualité par la conception (QbD) est une approche systématique visant à intégrer la qualité dès la conception d'un produit. L'outil Design Space Profiler de JMP permet de résoudre le problème fondamental de la QbD : déterminer une zone de fonctionnement optimale garantissant la qualité définie par les spécifications associées aux attributs de qualité critiques (AQC), tout en préservant la flexibilité de la production.
Cette démonstration vous apprendra à utiliser le Profileur d'espace de conception et le Simulateur, outils intégrés au Profileur de prédiction, pour identifier l'espace de conception et ses zones robustes, adaptées à une utilisation courante. Un exemple de bioessai de neutralisation de toxines, tiré de la directive ICH Q14 relative au développement des procédures analytiques, est utilisé. Le Profileur de prédiction de JMP est depuis longtemps un outil puissant pour la visualisation et l'optimisation des modèles. L'ajout du Profileur d'espace de conception et du Simulateur au sein du Profileur de prédiction en fait un outil indispensable pour l'innovation de produits et de procédés de haute qualité.
Bonjour, je m'appelle Laura Lancaster et je suis ici aujourd'hui pour vous parler de la recherche des zones de fonctionnement optimales avec le profileur et simulateur d'espace de conception JMP. Je suis convaincue que tous les participants au JMP Discovery Summit ont une forte volonté d'exceller dans l'innovation. Nombre d'entre vous travaillent sans relâche à la création de nouveaux produits et procédés, et nous, les développeurs JMP, travaillons tout autant pour concevoir des logiciels qui accélèrent et améliorent l'innovation.
Face à la nécessité d'innover rapidement, les procédés de fabrication de ces nouveaux produits doivent souvent être conçus dans l'urgence. Il est donc indispensable d'utiliser des logiciels permettant de concevoir, modéliser et analyser nos données afin d'atteindre au plus vite nos objectifs de production de produits de haute qualité. Lorsqu'un produit est bien établi et que sa fabrication est stable et performante, on peut s'attendre à des résultats de qualité, à l'instar du rapport de capabilité des procédés présenté sur cette diapositive.
Ces données proviennent d'un processus de fabrication de médicaments dont les lots sont conformes aux spécifications dans 99 % des cas. Cependant, lors du lancement d'un nouveau produit, il est rare d'obtenir d'aussi bons résultats dès le départ, et encore moins par simple chance. On observe plutôt des résultats comme ceux présentés sur cette diapositive au début.
Il se peut que nous ne sachions pas comment fabriquer un produit de haute qualité ni comment le faire de manière constante. Cela est particulièrement vrai si nous ne concevons, n'analysons, ne modélisons et ne prévoyons pas correctement. Nous souhaitons absolument améliorer notre taux de non-conformité, qui atteint 33 % du temps, comme indiqué dans ce rapport.
Heureusement, JMP a ajouté une fonctionnalité au profileur de prédiction appelée profileur d'espace de conception. Elle nous permet de passer rapidement d'un processus initial chaotique et inefficace, comme à gauche, à un processus stable et performant, comme à droite, de manière structurée et reproductible. Voyons comment ce processus fonctionne.
Une fois un nouveau produit conçu, nous commençons par définir les caractéristiques de qualité à atteindre pour garantir la qualité souhaitée. Nous identifions ensuite celles qui doivent se situer dans des limites ou des plages de valeurs appropriées pour assurer la qualité du produit. Dans l'industrie pharmaceutique, on les appelle souvent attributs de qualité critiques, ou AQC.
Dans notre exemple, nous avons deux attributs de qualité critiques : le rendement, qui doit être supérieur à 75 %, et la teneur en impuretés, qui doit être inférieure à 1,25 %. On constate dès le départ que nous sommes loin d'être à la hauteur. Le rendement est hors spécifications à 33 % et la teneur en impuretés à 16,5 %. Nos résultats initiaux sont donc très faibles.
Pour garantir la qualité de notre produit, il est essentiel d'identifier les étapes de notre processus de production qui influencent ses caractéristiques. Des études expérimentales sont nécessaires pour déterminer les paramètres de processus ayant un impact significatif sur les attributs de qualité critiques. Ces paramètres, dont la variabilité influe sur ces attributs, sont appelés paramètres critiques de processus (PCP).
Si nous abordons ces études de manière intelligente, les données qui ont permis d'identifier les paramètres critiques du processus nous fourniront également un modèle de prédiction statistique qui montrera la relation mathématique entre les paramètres critiques du processus et les attributs de qualité critiques.
Notre prochaine étape consiste à concevoir et à mener une étude expérimentale afin d'identifier les paramètres critiques de notre procédé. Une fois l'expérience terminée, nous élaborerons un modèle qui mettra en évidence l'influence significative du pH, de la température et du fournisseur sur le rendement et la teneur en impuretés de notre produit. Dans ce cas précis, le pH, la température et le fournisseur constituent nos paramètres critiques.
Maintenant, puisque nous avons intelligemment conçu notre expérience pour identifier les paramètres critiques du processus, nous utilisons ensuite ces résultats pour trouver un modèle de prédiction statistique de nos sorties, les attributs de qualité critiques en fonction de nos paramètres critiques du processus.
Le modèle de prédiction que nous avons élaboré est un modèle de surface de réponse par la méthode des moindres carrés. Cette diapositive présente le profileur de prédiction de notre modèle, qui permet de visualiser la relation mathématique entre les paramètres critiques du procédé et les attributs de qualité critiques (CQA).
Maintenant que nous disposons du modèle de prédiction, nous pourrions, en principe, l'utiliser comme une boule de cristal pour explorer les différents résultats possibles en fonction des paramètres de processus. Nous pourrions ainsi identifier les combinaisons de pH, de température et de fournisseur qui permettent d'obtenir un produit ayant une forte probabilité d'être conforme aux spécifications.
Le graphique de cette diapositive présente un nuage de points des paramètres de procédé, modifiés aléatoirement et uniformément dans des plages initiales raisonnables. Ces paramètres simulés peuvent servir d'entrée à notre modèle de prédiction, permettant ainsi de déterminer si le produit obtenu sera conforme aux spécifications pour les deux attributs de qualité critiques. En coloriant les points en vert (résultat conforme) ou en rouge (résultat non conforme), on obtient un graphique similaire à celui-ci.
Ce graphique illustre clairement la relation entre les paramètres de production et l'obtention d'un produit de qualité. Après analyse de ces données, et pour des raisons commerciales, l'entreprise décide de choisir le fournisseur le moins cher, ce qui lui semble raisonnable et lui permettra de réaliser des économies.
Le graphique de gauche présente le nuage de points lorsque l'on considère uniquement le fournisseur le moins cher. On distingue clairement la zone verte, où les paramètres de production permettent d'obtenir un produit de qualité. Le graphique de droite montre clairement que si l'on maintient le pH et la température dans la zone bleue, on obtiendra la plupart du temps des produits conformes à nos exigences de qualité ; cette zone bleue représente donc notre plage de fonctionnement optimale.
Les points simulés utilisés pour déterminer la zone de fonctionnement optimale ont été générés aléatoirement et uniformément. Or, nous savons que nos processus de pH et de température suivent une distribution normale. En effet, lors de leurs premières exécutions avec des distributions similaires aux histogrammes de gauche, nos processus de pH et de température ont présenté des résultats non conformes dans 36,4 % des cas, comme illustré par le nuage de points de droite.
Mais si nous pouvons ajuster la cible et la variation de nos processus de pH et de température pour qu'ils se situent au centre de notre zone de fonctionnement optimale (la zone bleue identifiée précédemment), nous obtiendrons un produit de qualité dans 99,9 % des cas, comme le montre ce nuage de points. Notez que j'ai ajouté des limites de spécification aux histogrammes de gauche pour délimiter notre zone de fonctionnement optimale et souligner nos efforts pour centrer et faire varier les paramètres au sein de l'espace de conception. Voici le résultat obtenu.
Il s'avère que cette idée de recherche d'une zone de fonctionnement optimale est ancienne et a été initialement publiée par Joseph Juran en 1992 dans son ouvrage « Juran on Quality by Design ». Il y décrit une approche systématique pour intégrer la qualité à l'ensemble du cycle de vie d'un produit, dès la phase de conception.
Historiquement, dans de nombreux pays où l'industrie pharmaceutique est soumise à la réglementation d'organismes tels que la FDA ou l'EMA, toute modification des paramètres de production nécessitait une autorisation. Cette procédure était coûteuse et chronophage, tant pour les fabricants que pour les autorités réglementaires. Il a été constaté que les idées de Juran pouvaient permettre de définir des plages de fonctionnement sûres au sein desquelles les procédés de fabrication pharmaceutique pouvaient varier sans nécessiter de nouvelle certification.
Quelques années plus tard, l'industrie a adopté les principes de la Qualité par la Conception (QbD). En 2005, la Conférence internationale sur l'harmonisation (ICH) a commencé à publier des lignes directrices relatives à ces principes. Le document ICH Q8R2 est le principal document traitant de l'espace de conception. Il définit formellement cet espace comme une combinaison multidimensionnelle et une interaction des attributs des matériaux et des paramètres de processus qui, selon les études, garantissent la qualité.
Cette approche s'appuie sur les concepts de conception qualitative de Juran pour appliquer les plans d'expériences à ce problème. JMP est le logiciel de référence mondial pour la conception et l'analyse d'expériences, et son outil phare pour la visualisation, l'exploration et l'optimisation interactives de modèles est le Profiler. Ce dernier intègre désormais une fonctionnalité appelée Profiler d'espace de conception, qui nous aide à identifier et à optimiser les espaces de conception de nos procédés.
Je vais utiliser certains termes et exemples de l'industrie pharmaceutique dans cette présentation, mais le même problème se pose dans tous les secteurs innovants. La solution est identique, quels que soient les procédés et les produits.
Je vais maintenant vous montrer comment utiliser le Profiler d'espace de conception de JMP pour identifier la région de fonctionnement optimale, ou espace de conception. Prenons l'exemple que nous avons déjà abordé dans l'introduction. Pour rappel, dans notre exemple de fabrication de médicaments, nous avions deux attributs de qualité critiques : le rendement et la pureté. Nous avions également trois paramètres de procédé critiques : le pH, la température et le fournisseur. Nous avions décidé de nous concentrer sur le fournisseur le moins cher, notre objectif étant de produire un produit de qualité dans 99 % des cas.
Passons maintenant à JMP pour voir comment utiliser le Profiler d'espace de conception afin de déterminer notre espace de conception, ou zone de fonctionnement optimale, pour ce produit. Ouvrons JMP. Nous voici dans JMP, et voici le tableau de données créé par la plateforme de conception personnalisée de JMP. Lors de la conception et de l'exécution de notre expérience, nous avons renseigné les colonnes relatives aux attributs de qualité critiques avec les résultats expérimentaux, déterminé le modèle de prédiction et enregistré le script correspondant dans le tableau de données.
Je voulais également préciser que j'ai déjà enregistré les limites de spécification en tant que propriétés de colonne pour les attributs de qualité critiques. Vous pouvez le constater ici. C'est important, car le Profileur d'espace de conception doit connaître les limites de spécification des attributs de qualité critiques pour fonctionner. Si vous ne les ajoutez pas en tant que propriétés de colonne, vous serez invité à le faire ultérieurement.
Commençons par exécuter le script du modèle de prédiction. Mon modèle s'exécute. Vous pouvez constater que j'ai mes modèles avec les scores les plus bas pour mes deux réponses, ou attributs de qualité critiques, et qu'il est accessible via le Profiler de prédiction. J'espère que vous connaissez tous le Profiler de prédiction. C'est un outil formidable pour explorer les différentes facettes de votre modèle, analyser les interactions entre vos facteurs et procéder à des optimisations.
Notez que j'ai également configuré le profileur pour qu'il affiche les limites de spécification. Vous pouvez voir la limite inférieure de spécification pour le rendement et la limite supérieure de spécification pour les impuretés. Je vais sélectionner le fournisseur le moins cher, car c'est le seul que nous allons considérer. Nous allons maintenant examiner uniquement la surface de réponse de ce fournisseur.
Activons maintenant le profileur d'espace de conception. Pour y accéder, rendez-vous dans le menu du profileur de prédiction, puis, quelques lignes plus bas, vous trouverez le profileur d'espace de conception. En le sélectionnant, vous exécuterez en arrière-plan des milliers de simulations aléatoires uniformes et obtiendrez le profileur d'espace de conception situé sous le profileur de prédiction.
La première chose que je souhaite souligner, c'est qu'en bas à droite, vous remarquerez que les limites de spécification définies comme propriétés de colonne ont bien été prises en compte. L'erreur, issue de mes modèles, a également été ajoutée. Il s'agit de l'erreur quadratique moyenne (RMSE) de mes modèles des moindres carrés. Cette erreur sera utilisée dans mes modèles de prédiction afin d'introduire une marge d'erreur, ce que nous recommandons systématiquement, car nos modèles de prédiction ne sont pas parfaits. Vous pouvez ajuster ces erreurs si vous le souhaitez. Cependant, nous vous conseillons toujours d'intégrer une marge d'erreur à votre modèle de prédiction.
En observant le Profiler d'espace de conception, vous remarquerez peut-être qu'il ressemble beaucoup aux profileurs que vous avez probablement l'habitude de voir, à quelques différences près. Tout d'abord, sur l'axe Y, vous verrez qu'au lieu d'un nombre, il est simplement indiqué « Portion conforme », car cette valeur se trouve en réalité ici, à droite. Cette valeur « Portion conforme » est très importante. Elle indique le nombre de points de simulation conformes pour mes deux attributs de qualité critiques, c'est-à-dire mes deux réponses. Actuellement, nous sommes à 38,79 %. Si vous souhaitez consulter les valeurs conformes pour chaque réponse individuellement, elles se trouvent ici, à droite des champs de réponse.
L'autre différence notable est que chaque cellule ne présente pas une seule courbe, mais deux. Cela s'explique par le fait que nous recherchons une limite inférieure et une limite supérieure pour chaque facteur ou paramètre. Une légende pratique est disponible ici pour nous aider à interpréter ces courbes. La courbe bleue représente la portion InSpec lorsque la limite inférieure varie, et la courbe rouge représente la portion InSpec lorsque la limite supérieure varie.
Ce que nous souhaitons, c'est interagir avec ce profileur pour augmenter notre portion d'inspection et déterminer l'espace de conception optimal pour une inspection réussie. Nous voulons ajuster les limites inférieure et supérieure afin d'optimiser notre portion d'inspection. Par exemple, augmenter la limite inférieure du pH augmentera notre portion d'inspection. En revanche, abaisser la limite supérieure réduirait notre portion d'inspection.
Vous pouvez interagir avec l'outil de différentes manières : déplacer les marqueurs, saisir des valeurs sous les cellules, dans ces champs, ou utiliser les boutons « Déplacer vers l'intérieur » et « Déplacer vers l'extérieur ». C'est ma méthode préférée dans le Profiler d'espace de conception. En cliquant sur le bouton « Déplacer vers l'intérieur », l'outil recherche le déplacement qui augmente le plus la portion InSpec. Il privilégie le déplacement ascendant le plus important.
Si je clique dessus, vous remarquerez que la température a bougé, sa limite supérieure passant de 45 à 43,5, et que la portion InSpec a augmenté. Vous remarquerez peut-être aussi que la portion de volume indique que j'ai commencé à 100 % en utilisant toutes mes données simulées, et que nous sommes maintenant à 95 % car j'ai réduit une partie de l'espace de conception initial.
Si je clique à nouveau sur « Déplacer vers l'intérieur », la limite supérieure de température diminue légèrement. Mon InSpec augmente. Je clique encore une fois. Mon objectif est d'atteindre 99 % d'InSpec. Pendant ce temps, j'utilise quelques options du menu « Profiler de l'espace de conception » pour ajuster mon espace de conception.
La première option que je préfère est « Créer et connecter une table aléatoire ». Elle crée une nouvelle table de données aléatoires. Activons-la. Je vais conserver les 10 000 valeurs par défaut ; je souhaite ajouter du bruit aléatoire à mon modèle de prédiction. En cliquant sur « OK », une nouvelle table de données aléatoires est créée. Les valeurs hors spécifications sont marquées en rouge, celles conformes en vert, et les valeurs restant dans l'espace de conception sont sélectionnées si elles sont toujours comprises dans l'espace de conception.
Ce que j'aime faire, c'est analyser les graphiques enregistrés comme script dans ce tableau. Si j'exécute la commande « scatter plot matrix Y », j'obtiens un nuage de points représentant mon espace de réponse. Si j'exécute la commande « scatter plot matrix X », j'obtiens un nuage de points représentant mon espace de facteurs. Notez que ce fournisseur utilise uniquement la fonction « jitter », je vais donc la désactiver. En réalité, seul le nuage de points en haut à gauche, représentant la température en fonction du pH, nous intéresse. Ce nuage de points est limité par le fournisseur et ne m'apporte pas beaucoup d'informations ; c'est celui-ci qui m'intéresse.
J'aime bien observer ces graphiques. Je les configure. Pendant que j'ajuste mon espace de conception, si je continue à cliquer sur « Déplacer vers l'intérieur », vous remarquerez que l'espace de conception (la zone ombrée) se réduit dans l'espace des facteurs et que le nombre de points hors spécifications diminue. Voyons voir. Pour une meilleure lisibilité, vous pouvez activer le mode « Masquer les connexions », qui masque complètement les points situés en dehors de l'espace de conception actuel.
Si je continue à cliquer sur « Déplacer vers l'intérieur », on verra si on peut atteindre 99 % tout en conservant un espace de conception qui me semble raisonnable et exploitable. Je continue de cliquer. Voyons comment mes points rouges disparaissent. C'est bien. J'ai atteint 99,59 %. D'après mes graphiques, cet espace de conception me semble réalisable.
Ensuite, j'aime renvoyer le centre de cet espace de conception au Profiler de prédiction grâce à l'option « Envoyer les points médians au Profiler », ce qui me permet de visualiser sa position sur ma surface de réponse. Parfois, j'active l'indicateur de désirabilité pour observer le résultat une fois le centre de mon espace de conception trouvé.
L'autre point, très important, comme mentionné en introduction, est que mes paramètres de pH et de température suivent une distribution normale, contrairement à la simulation effectuée par le Profileur d'espace de conception qui simule une distribution uniforme. Heureusement, le menu du Profileur d'espace de conception propose l'option « Envoyer les limites au simulateur ». En la sélectionnant, vous accédez à des options permettant d'activer le simulateur et le Profileur, puis de renvoyer ces limites au simulateur.
Je vais choisir « Normal avec limites à 3 sigma ». Cela va activer le simulateur, normaliser les paramètres de mon processus et définir la moyenne au centre de l'espace de conception et l'écart type de sorte que les limites soient à 3 sigma. Si je clique sur « OK », le simulateur s'active avec le pH et la température réglés sur « Normal ». Les moyennes sont au centre de l'espace de conception, et le simulateur a divisé les plages de mon espace de conception par six pour obtenir un fonctionnement à 3 sigma.
Maintenant, si je clique sur « Simuler » pour visualiser le taux de défauts, étant donné que ces valeurs suivent une distribution normale dans l'espace de conception, les résultats sont très encourageants. Je tiens à préciser que nous ajoutons toujours une erreur aléatoire à notre modèle de prédiction. C'est très prometteur. J'aime aussi utiliser l'option « Simuler dans un tableau » du simulateur, qui va créer un tout nouveau tableau de données où mes paramètres de processus sont distribués normalement selon ces distributions. Je vais cliquer dessus.
Un script de distribution est automatiquement généré dans ce tableau. Son exécution me permettra de visualiser la distribution de mes attributs de qualité critiques et d'obtenir le rapport de capabilité grâce aux limites de spécification définies dans les propriétés de la colonne. Je constaterai rapidement que si mes processus fonctionnent au centre de mon espace de conception avec des limites de 3 sigma, ils seront très performants. J'obtiendrai ainsi une excellente capabilité et un faible taux de non-conformité pour mes deux attributs de qualité critiques.
Un dernier point concernant le Profileur d'espace de conception : une fois l'espace de conception satisfaisant trouvé, une option sous « Enregistrer les limites de spécification X » permet d'enregistrer cet espace de conception dans le tableau de données, en tant que propriétés de colonne pour vos paramètres de procédé critiques. Par exemple, en cliquant sur cette option et en retournant au tableau de conception d'origine, vous pouvez constater que pour le pH et la température, l'espace de conception a été enregistré comme limite de spécification. Il me suffit ensuite d'enregistrer le tableau de données pour retrouver facilement les nouvelles plages de mon espace de conception.
Revenons à la présentation PowerPoint. Continuons. C'était un exemple assez simple et direct, mais je souhaite vous montrer comment utiliser JMP pour des exemples plus complexes. Avant de passer à l'exemple suivant, j'aimerais aborder un autre domaine du développement pharmaceutique où les principes de la conception basée sur la qualité (QBD) ont été appliqués plus récemment : le développement des procédures analytiques.
Le développement de procédures analytiques (DPA) désigne l'approche scientifique et fondée sur les risques visant à développer et à maintenir la pertinence des méthodes d'analyse tout au long de leur cycle de vie. Le document ICH Q14 applique le cadre QBD au DPA, le qualifiant d'approche améliorée. Une grande partie du contenu de ce document dépasse le cadre de cette présentation, mais je montrerai comment l'outil Design Space Profiler peut être utilisé pour identifier un concept important : la région de conception opérationnelle de la méthode (MODR).
La zone de fonctionnement optimale (ZF) est définie comme une combinaison de plages de paramètres de procédure analytique au sein desquelles les critères de performance de la procédure sont respectés et la qualité du résultat mesuré est garantie. De plus, toute modification au sein d'une ZF approuvée ne nécessite pas de notification réglementaire. On peut considérer la ZF comme l'espace de conception ou la zone de fonctionnement optimale, et l'outil Design Space Profiler permet de la déterminer.
On peut considérer les paramètres de la procédure analytique comme des paramètres critiques du procédé et les critères de performance de la procédure analytique comme des attributs de qualité critiques ; c’est ainsi que je les désignerai principalement dans la suite de cet exposé. Je tiens à préciser que ces concepts et cette terminologie proviennent de l’industrie pharmaceutique, mais qu’ils peuvent en réalité s’appliquer à un domaine beaucoup plus vaste.
Prenons l'exemple du deuxième chapitre des lignes directrices ICH Q14 pour comprendre comment JMP et le Design Space Profiler peuvent être utilisés pour déterminer le MODR d'une procédure analytique. Dans cet exemple, la procédure analytique vise à mesurer la puissance relative d'un anticorps monoclonal anti-TNF-alpha dans un médicament. Le test de puissance doit permettre de détecter toute variation, voire tout décalage, de puissance suite à une dégradation forcée.
Avant de poursuivre, je tiens à remercier mon collègue, Byron Wingerd, qui a créé cet exemple à partir du document de recommandations. Il s'agit d'une reproduction du diagramme d'Ishikawa figurant dans le document. Ce diagramme illustre les caractéristiques de la procédure analytique prises en compte lors de l'évaluation des risques. Les étapes du processus que nous examinerons dans cet exemple sont colorées en violet : l'exécution du test et la préparation des cellules.
Dans cet exemple, nous souhaitons calculer la puissance de la préparation à l'aide d'un modèle de courbe logistique à quatre paramètres. À gauche, nous avons les paramètres de la procédure analytique, en nous concentrant sur l'auto-préparation et l'exécution du dosage. Ce sont nos paramètres critiques de procédé (PCP), connus grâce à des travaux antérieurs. À droite, nous avons les critères de performance de la procédure analytique, qui sont des exigences pour les courbes dose-réponse. Ce sont nos attributs de qualité critiques (AQC), donc nos critères de courbe logistique.
Nous avons ensuite conçu une expérience en utilisant la plateforme de conception personnalisée de JMP avec le CQA comme réponses et le CPP comme facteurs. La concentration de CO₂ et la température d'incubation étaient en fait des facteurs difficiles à modifier pour notre expérience, nous avons donc dû créer une expérience en parcelles divisées avec une conception personnalisée et JMP.
Nous avons ensuite réalisé l'expérience en parcelles divisées et recueilli des résultats à huit niveaux de dilution en série, nécessaires pour ajuster les courbes de réponse à la dose logistique à quatre paramètres ; il s'agit donc de résultats intermédiaires que nous allons utiliser pour ajuster les courbes logistiques.
Ensuite, nous avons utilisé la plateforme Fit Curve de JMP pour ajuster les courbes dose-réponse logistiques à quatre paramètres, puis nous avons recueilli les paramètres et les diagnostics d'ajustement, qui correspondaient à nos réponses expérimentales ou à nos attributs de qualité critiques. Une fois l'expérience terminée, nous avons utilisé la plateforme Fit Model REML de JMP pour ajuster des modèles mixtes à chacune de nos cinq réponses d'attributs de qualité critiques.
Maintenant que nous disposons d'un modèle de prédiction, nous allons utiliser le Profileur d'espace de conception pour déterminer la région de fonctionnement optimale (MODR) de cette procédure analytique. Retournons dans JMP. Bien. On y va.
Voici le tableau de données créé par un concepteur personnalisé lors de la création de l'expérience en parcelles divisées. Comme mentionné précédemment, nous avons exécuté l'expérience et intégré ses résultats dans les colonnes relatives aux attributs de qualité critiques. J'ai déjà ajouté les limites de spécification comme propriétés de colonne. J'ai enregistré notre modèle mixte sous forme de script. Exécutons-le.
Ceci exécute le script. Il crée notre modèle de prédiction, un modèle mixte pour chacun de nos attributs de qualité critiques, comme vous le voyez ici. Il est ouvert avec le Profiler. Je peux bien visualiser la surface de réponse de mon modèle de prédiction. Activons à nouveau le Profiler de l'espace de conception. Pour cet exemple, je vais raccourcir les simulations en supprimant un zéro afin d'accélérer le processus et de ne pas trop attendre. Sans cette suppression, l'exécution prendrait un peu plus d'une minute, ce qui n'est pas excessif, mais pas idéal pour une présentation.
Une fois de plus, l'outil de profilage de l'espace de conception s'affiche juste en dessous de l'outil de profilage. Je tiens à préciser qu'il a importé les limites de spécification issues des propriétés de la colonne et qu'il a ajouté l'erreur quadratique moyenne de nos modèles. Je vais m'en tenir là. Cela me semble satisfaisant.
Autre point important : avec ces plages de valeurs initiales, en utilisant initialement 100 % de nos données, nous sommes à environ 70,61 % dans les spécifications. Je constate que nous devrons probablement ajuster les paramètres, notamment le temps d’incubation et le colorant de viabilité, au moins dans un premier temps. Je vais cliquer sur « Déplacer vers l’intérieur » pour modifier l’espace de conception. Effectivement, le temps d’incubation et le colorant de viabilité sont déplacés. Je continue de cliquer.
Je peux aussi activer la création d'une table aléatoire et observer les nuages de points de ma surface de réponse. Je vais créer un nuage de points personnalisé pour mes paramètres afin de ne pas utiliser le graphique complet, qui ne m'apporte aucune information. Voilà. Je continue de cliquer sur « Déplacer vers l'intérieur » pour voir si l'on peut atteindre 99 %, tout en conservant une zone d'espace de conception raisonnable. On constate que l'espace de conception se réduit. Je continue de cliquer sur « Déplacer vers l'intérieur » pour voir si je peux atteindre 99 %.
Le temps d'incubation est presque écoulé. Voyons si je peux continuer. Je viens d'atteindre 99 %. Voici à quoi ressemble l'espace de conception. Je peux cliquer pour utiliser le mode « Connecter/Masquer » afin de mieux le visualiser. Voici à quoi ressemble le nuage de points de la surface de réponse. Mon temps d'incubation est effectivement très court, comme vous pouvez le constater, mais je pense pouvoir atteindre cet objectif. Je vais déplacer le centre de l'espace de conception, le point médian, vers le Profiler de prédiction pour voir ce que cela donne. Cela semble assez raisonnable. Je vais activer rapidement l'analyse de désirabilité pour voir ce que cela donne.
Je pense donc que mes paramètres de processus suivent une distribution normale et non uniforme. Je vais de nouveau soumettre les limites au simulateur avec un écart-type de 3 sigma. Le simulateur se configure automatiquement pour fonctionner dans l'espace de conception avec une distribution normale à 3 sigma. Lorsque je clique sur « Simuler », j'obtiens un taux de défauts satisfaisant. Je peux également effectuer une simulation dans un tableau pour examiner mes attributs de qualité critiques, leurs distributions et les rapports de capabilité, si la simulation peut être exécutée dans cet espace de conception.
L'asymptote supérieure est vraiment réussie, l'asymptote inférieure un peu moins, mais pas catastrophique non plus. Le reste est correct. C'est l'asymptote inférieure qui m'inquiète le plus quant à sa qualité. Si je suis satisfait de cet espace de conception, je pourrais les remettre sur ma table pour les sauvegarder.
Je retourne rapidement à mes diapositives PowerPoint. Je souhaite simplement partager quelques réflexions finales. Le Profiler de prédiction, avec son Profiler d'espace de conception et son simulateur, est un outil indispensable pour innover plus rapidement et créer des produits de haute qualité. La recherche d'espaces de conception ou de zones de fonctionnement optimales s'applique à bien d'autres domaines que l'industrie pharmaceutique. Son champ d'application est beaucoup plus vaste.
Même au sein de l'industrie pharmaceutique, la recherche de régions de fonctionnement optimales peut s'appliquer en dehors du cadre initial du document de conception. Voyons voir. Excusez-moi. Comme nous l'avons vu dans le dernier exemple, elle peut s'appliquer aux procédures de procédés analytiques et permettre également de trouver une MODR ; son applicabilité est donc très large. Voici mes références, et je tiens à remercier une fois de plus Byron Wingerd pour son aide concernant cet exemple. Merci beaucoup pour votre participation.
