Calidad por Diseño (QbD) es un enfoque sistemático para integrar la calidad en un producto. El Design Space Profiler de JMP ayuda a resolver el problema fundamental de QbD: determinar una región operativa óptima que garantice la calidad, según las especificaciones asociadas con los Atributos Críticos de Calidad (CQA), manteniendo al mismo tiempo la flexibilidad en la producción.
En esta demostración, aprenda a usar el Perfilador del Espacio de Diseño y el Simulador, herramientas del Perfilador de Predicción, para identificar el espacio de diseño y las áreas robustas dentro del espacio de diseño adecuadas para un uso normal. Se utiliza un ejemplo de bioensayo de neutralización de toxinas de la guía de Desarrollo de Procedimientos Analíticos ICH Q14. El Perfilador de Predicción de JMP ha sido durante mucho tiempo una herramienta potente para visualizar y optimizar modelos. La incorporación del Perfilador del Espacio de Diseño y el Simulador al Perfilador de Predicción lo convierte en una herramienta indispensable para la innovación de productos y procesos de alta calidad.
Hola, me llamo Laura Lancaster y estoy aquí hoy para hablar sobre cómo encontrar regiones operativas óptimas con el simulador y perfilador de espacio de diseño de JMP. Estoy segura de que todos los asistentes a la Cumbre de Descubrimiento de JMP tienen un fuerte deseo de destacar en la innovación. Muchos de ustedes trabajan arduamente para innovar nuevos productos y procesos, y nosotros, los desarrolladores de JMP, trabajamos arduamente para crear software que acelere y mejore la innovación.
Debido a la presión para innovar con rapidez, los procesos de fabricación de estos nuevos productos suelen requerir un diseño rápido. Necesitamos utilizar software que nos ayude a diseñar, modelar y analizar nuestros datos para alcanzar nuestros objetivos de producción de alta calidad lo más rápido posible. Cuando fabricamos un producto consolidado con una fabricación estable y eficaz, podemos esperar resultados de calidad como el Informe de Capacidad del Proceso de esta diapositiva.
Estos son datos de un proceso de fabricación de medicamentos cuyos lotes cumplen con las especificaciones el 99 % del tiempo. Sin embargo, al comenzar con un nuevo producto, no solemos esperar resultados tan buenos al principio, sobre todo si no es por pura suerte. En cambio, es más probable que veamos resultados como los de esta diapositiva al principio.
Puede que no sepamos cómo producir un producto de alta calidad ni cómo hacerlo de forma consistente. Esto es especialmente cierto si no diseñamos, analizamos, modelamos ni predecimos bien. Sin duda, queremos mejorar, dejando de estar fuera de las especificaciones el 33 % del tiempo, como en este informe.
Afortunadamente, JMP ha añadido una función al Prediction Profiler llamada Design Space Profiler. Esta función nos ayuda a pasar rápidamente de un proceso inicial desordenado e ineficaz, como el de la izquierda, a un proceso estable y eficaz, como el de la derecha, de forma estructurada y repetible. Veamos cómo funciona este proceso.
Una vez diseñado un nuevo producto, comenzamos por definir las características de calidad necesarias para garantizar la calidad deseada. A continuación, identificamos cuáles de estas características deben estar dentro de los límites o rangos adecuados para garantizar la calidad del producto. En la industria farmacéutica, estos atributos suelen denominarse atributos críticos de calidad o ACC.
En nuestro ejemplo, tenemos dos atributos de calidad críticos: el rendimiento, que debe ser superior al 75 %, y la impureza del fármaco, que debe ser inferior al 1,25 %. En este ejemplo inicial, podemos observar que somos bastante incapaces. Tenemos un 33 % fuera de especificación en rendimiento y un 16,5 % fuera de especificación en impureza. Al principio, no lo estamos haciendo muy bien.
Para garantizar la alta calidad de nuestros productos, debemos considerar qué partes de nuestro proceso de producción influyen en sus resultados. Necesitamos realizar estudios experimentales para determinar qué parámetros del proceso tienen un gran impacto en los atributos críticos de calidad. Estos importantes parámetros del proceso, cuya variabilidad influye en nuestros atributos críticos de calidad, se denominan parámetros críticos de proceso o CPP.
Si somos inteligentes en la forma en que realizamos estos estudios, los datos que identificaron los parámetros críticos del proceso también nos brindarán un modelo de predicción estadística que muestra la relación matemática entre los parámetros críticos del proceso y los atributos de calidad críticos.
Nuestro siguiente paso es diseñar y ejecutar un estudio experimental para identificar nuestros parámetros críticos de proceso. Una vez finalizado el experimento, construimos un modelo que identifica el pH, la temperatura y el proveedor como factores que influyen significativamente en el rendimiento y las impurezas de nuestro producto. En este caso, el pH, la temperatura y el proveedor son nuestros parámetros críticos de proceso.
Ahora bien, como fuimos inteligentes en el modo en que diseñamos nuestro experimento para identificar los parámetros críticos del proceso, utilizamos esos resultados para encontrar un modelo de predicción estadística de nuestros resultados, los atributos de calidad críticos en términos de nuestros parámetros críticos del proceso.
El modelo de predicción que construimos es un modelo de superficie de respuesta de mínimos cuadrados. Esta diapositiva muestra el perfilador de predicción de nuestro modelo, que podemos usar para visualizar la relación matemática entre los parámetros críticos del proceso y los CQA.
Ahora bien, una vez que tengamos el modelo de predicción, en principio, podríamos usarlo como una bola de cristal para explorar los diferentes resultados en diferentes configuraciones de parámetros del proceso. Así, podríamos encontrar las combinaciones de pH, temperatura y proveedor que resulten en un producto con alta probabilidad de cumplir con las especificaciones.
El gráfico de esta diapositiva muestra un diagrama de dispersión de los ajustes de los parámetros del proceso, que se han variado de forma aleatoria y uniforme dentro de unos rangos iniciales razonables. Podemos usar estos ajustes simulados como entrada para nuestro modelo de predicción y determinar si el producto resultante cumple o no con las especificaciones para ambos atributos críticos de calidad. Si coloreamos los puntos según si el resultado cumple con las especificaciones en verde o no, en rojo, obtenemos un gráfico como este.
Este gráfico muestra claramente la relación entre la configuración de los parámetros del proceso y la obtención de un producto de calidad. Tras analizar estos datos, y por motivos comerciales, la empresa decide optar por el proveedor más económico, ya que parece razonable y, además, les ahorrará dinero.
El gráfico de la izquierda muestra el diagrama de dispersión considerando únicamente al proveedor más económico. Se puede observar claramente la región donde la configuración de los parámetros genera un producto de calidad, que se muestra en verde. En el gráfico de la derecha, se observa que si mantenemos el pH y la temperatura dentro del recuadro azul, produciremos productos que cumplen con nuestros requisitos de calidad la mayor parte del tiempo; por lo tanto, el recuadro azul representa nuestra región operativa óptima.
Ahora bien, los puntos simulados que utilizamos para determinar la región operativa óptima variaron de forma aleatoria y uniforme. Sin embargo, sabemos que nuestros procesos de pH y temperatura siguen una distribución normal. De hecho, inicialmente se ejecutaron con distribuciones como las de los histogramas de la izquierda, lo que resultó en un producto fuera de especificación el 36,4 % del tiempo, como se observa en el diagrama de dispersión de la derecha.
Pero si podemos modificar el objetivo y la variación de nuestros procesos de pH y temperatura para que se ejecuten dentro del centro de nuestra región operativa óptima (el recuadro azul que encontramos anteriormente), podemos obtener un producto de calidad el 99,9 % del tiempo, como se observa en este diagrama de dispersión. Observe que coloqué límites de especificación en los histogramas de la izquierda para mostrar los rangos de nuestra región operativa óptima y destacar nuestro esfuerzo por centrarnos y variar dentro del espacio de diseño. Este sería el resultado.
Resulta que esta idea de encontrar una región operativa óptima existe desde hace mucho tiempo y fue publicada por primera vez por Joseph Juran en 1992 en su libro "Juran on Quality by Design". Juran describió un enfoque sistemático para incorporar la calidad en todo el ciclo de vida de un producto, comenzando desde la fase de diseño.
Históricamente, en muchos países donde la industria farmacéutica debe cumplir con organismos reguladores como la FDA o la EMA, se requería aprobación para poder cambiar la configuración del proceso de producción. Esto resultaba costoso y lento tanto para los fabricantes como para los reguladores. Se reconoció que las ideas de Juran podían utilizarse para determinar regiones operativas seguras dentro de las cuales los procesos de fabricación farmacéutica pudieran variar sin necesidad de una recertificación.
Unos años más tarde, la industria adoptó los principios de Calidad por Diseño, a los que me referiré como QBD. En 2005, la Conferencia Internacional de Armonización (ICH) comenzó a publicar directrices para estas ideas. El documento ICH Q8R2 es el principal que aborda el espacio de diseño. Lo define formalmente como una combinación e interacción multidimensional de atributos de materiales y parámetros de proceso que han demostrado garantizar la calidad.
El enfoque se basa en las ideas de QBD de Juran sobre cómo aplicar el diseño de experimentos a este problema. JMP es la herramienta líder mundial para el diseño y análisis de experimentos, y su mejor herramienta para la visualización, exploración y optimización interactiva de modelos es el Profiler. Este Profiler ahora cuenta con una función integrada, Design Space Profiler, que nos ayuda a encontrar y optimizar espacios de diseño para nuestros procesos.
En esta charla, utilizaré terminología y ejemplos de la industria farmacéutica, pero el mismo problema se presenta en todas las industrias innovadoras. La solución es la misma, independientemente del tipo de proceso y producto.
Ahora me gustaría mostrar cómo podemos usar el Design Space Profiler en JMP para encontrar la región operativa óptima o el Design Space. Para el ejemplo que ya vimos en la introducción. A modo de resumen, en nuestro ejemplo de fabricación de medicamentos, teníamos dos atributos de calidad críticos: rendimiento e impurezas. Teníamos tres parámetros de proceso críticos: pH, temperatura y proveedor, y decidimos considerar solo el proveedor más económico. Nuestro objetivo es producir un producto de calidad el 99 % del tiempo.
Ahora, vayamos a JMP para ver cómo usar el Design Space Profiler para encontrar nuestro Design Space o región operativa óptima para este producto. Vayamos a JMP. Estamos en JMP, y esta es la tabla de datos creada por la plataforma de Diseño Personalizado de JMP. Al diseñar nuestro experimento, lo ejecutamos, completamos las columnas de atributos de calidad críticos con los resultados experimentales, encontramos el modelo de predicción y guardé un script de ese modelo de predicción en la tabla de datos.
También quería señalar que ya guardé los límites de especificación como propiedades de columna en las columnas de atributos de calidad críticos. Pueden verlos aquí. Esto es importante porque Design Space Profiler necesita conocer los límites de especificación de los atributos de calidad críticos para ejecutarse. Si no los agregan como propiedades de columna, se les solicitará que lo hagan más adelante.
Ejecutemos el script del modelo de predicción. Este ejecuta mi modelo. Pueden ver que tengo mis modelos con las puntuaciones más bajas para ambas respuestas o atributos de calidad críticos, y está abierto al Prediction Profiler. Espero que todos estén familiarizados con el Prediction Profiler. Es una herramienta fantástica para explorar las superficies de su modelo, observar la interacción de sus factores y optimizarlos.
Tenga en cuenta que también configuré el límite de especificación en el Profiler. Verá el límite inferior de especificación para el rendimiento y el límite superior de especificación para la impureza. Voy a bloquear el proveedor en el precio más bajo, ya que es el único que consideraremos. Ahora solo analizaremos la superficie de respuesta del proveedor más bajo.
Activemos el Perfilador del Espacio de Diseño. Para acceder a él, vaya al menú Perfilador de Predicciones y, unos pasos más abajo, verá un Perfilador del Espacio de Diseño. Al seleccionarlo, se ejecutan miles de simulaciones uniformes aleatorias en segundo plano y se genera este Perfilador del Espacio de Diseño debajo del Perfilador de Predicciones.
Lo primero que quiero señalar es que, aquí abajo a la derecha, se observará que se incorporaron los límites de especificación que tenía como propiedades de columna. También se agregó un error de mis modelos. Se trata del error cuadrático medio de mis modelos de mínimos cuadrados, y esto se usará para que mis modelos de predicción incorporen algún error, lo cual siempre recomendamos, ya que nuestro modelo de predicción no es perfecto. Puede ajustar estos errores si cree que no son los que desea usar. Sin embargo, siempre recomendamos que agregue algún error a su modelo de predicción.
Al observar el Design Space Profiler, notará que se parece bastante a los perfiladores que probablemente esté acostumbrado a ver, con algunas diferencias clave. Primero, al mirar aquí en el eje Y, verá que, en lugar de un número, solo indica "InSpec Portion" (Porción dentro de la especificación), debido a que ese número está aquí a la derecha. Este número es muy importante: "InSpec Portion". Me indica la cantidad de puntos de simulación que cumplen con las especificaciones para ambos atributos de calidad críticos, ambas respuestas, y actualmente estamos en el 38,79 %. Si desea ver los valores dentro de la especificación de cada respuesta individualmente, los encontrará aquí a la derecha de los campos de respuesta.
Otra cosa que podrías notar es que en cada celda, en lugar de una sola curva, tenemos dos, lo que se debe a que buscamos un límite inferior y uno superior para cada factor o parámetro. Aquí hay una leyenda útil para ayudarnos con estas curvas. La curva azul representa la porción InSpec a medida que cambia el límite inferior, y la curva roja representa la porción InSpec a medida que cambia el límite superior.
Lo que queremos es interactuar con este perfilador para aumentar nuestra porción de InSpec y determinar qué espacio de diseño nos proporcionará una buena InSpec. Lo que queremos hacer es ajustar los límites inferior y superior. Queremos moverlos en una dirección donde nuestra InSpec aumente. Por ejemplo, si muevo el límite inferior de mi pH, eso aumentará mi porción de InSpec. No querría bajar el límite superior porque bajaría y disminuiría mi porción de inspección.
Las formas de interactuar incluyen mover los marcadores, introducir valores debajo de las celdas, introducir valores en estos campos o usar estos dos botones "Mover hacia adentro" y "Mover hacia afuera". Esta es mi forma favorita de interactuar en el Design Space Profiler. Si hace clic en el botón "Mover hacia adentro", encontrará el movimiento que genere el mayor aumento en la porción InSpec. Busca el movimiento ascendente más pronunciado.
Si hago clic ahí, observa que mi temperatura, el límite superior de 45 a 43,5, ha cambiado, y mi porcentaje de especificación ha aumentado. También puedes observar este porcentaje de volumen que indica que comencé con el 100 % usando todos mis datos simulados, y ahora estamos al 95 % porque he recortado parte de ese espacio de diseño inicial.
Si vuelvo a hacer clic en "Mover hacia adentro", mi límite superior de temperatura vuelve a bajar un poco. Mi InSpec aumenta. Vuelvo a hacer clic. Mi objetivo es intentar alcanzar el 99 % de InSpec. Mientras lo hago, hay un par de opciones en el menú del Perfilador de Espacio de Diseño que me gusta usar mientras ajusto mi espacio de diseño.
La primera opción que me gusta usar es "Crear y conectar tabla aleatoria". Crea una nueva tabla de datos aleatorios. Vamos a activarla. Voy a mantener los 10 000 valores predeterminados; quiero añadir ruido aleatorio a mi modelo de predicción. Al hacer clic en "Aceptar", se crea una nueva tabla de datos aleatorios. Se marca en rojo si está fuera de especificación y en verde si cumple con las especificaciones para ambos atributos de calidad críticos. Se selecciona si aún se encuentra dentro del espacio de diseño.
Lo que me gusta hacer es observar estos gráficos guardados como script en esta tabla. Si ejecuto el diagrama de dispersión de la matriz Y, obtengo un diagrama de dispersión de mi espacio de respuesta. Si ejecuto el diagrama de dispersión de la matriz X, obtengo un diagrama de dispersión de mi espacio factorial. Ahora bien, tengan en cuenta que este proveedor solo genera fluctuación, así que voy a desactivarla. En realidad, solo nos interesa este diagrama de dispersión superior izquierdo de la temperatura frente al pH. Este proveedor está bloqueado a bajo precio, por lo que no me dice mucho; esto es lo que me interesa.
Me gusta observar estos gráficos. Configúrelos. Mientras ajusto mi espacio de diseño, si sigo haciendo clic en "Mover hacia adentro", observe cómo el espacio de diseño (el área sombreada) disminuye aquí en el espacio factorial y cómo disminuye el número de puntos fuera de especificación. Veamos. Si desea que sea aún más claro, puede activar la función "Conectar modo oculto", que oculta por completo cualquier punto que esté fuera del espacio de diseño actual.
Si sigo haciendo clic en "Mover hacia adentro", veremos si podemos llegar al 99 % y mantener un espacio de diseño razonable que pueda usar. Seguiré haciendo clic. Veamos cómo desaparecen los puntos rojos. ¡Genial! Ya he alcanzado el 99,59 %. Creo que ese espacio de diseño es algo que probablemente pueda lograr, considerando todos mis gráficos.
Lo siguiente que me gusta hacer es enviar el centro de este espacio de diseño de vuelta al Perfilador de Predicción. Puedo hacerlo con la opción "Enviar puntos medios al Perfilador" para ver dónde está ese centro en mi superficie de respuesta. A veces me gusta activar la opción "Deseado" para ver cómo se ve al encontrar el centro de mi espacio de diseño.
Otro aspecto muy importante, como mencionamos en la introducción, es que creo que mis parámetros de pH y temperatura siguen una distribución normal, mientras que el Design Space Profiler simuló una distribución uniforme. Lo bueno es que en el menú del Design Space Profiler hay una opción llamada "Enviar límites al simulador". Al seleccionarla, se muestran opciones para enviar estos límites de vuelta al simulador y al Profiler, y enviarlos de vuelta al simulador.
Voy a seleccionar Normal con Límites en 3 Sigma. Esto activará el simulador, normalizará los parámetros de mi proceso e intentará establecer... Establece la media en el centro del espacio de diseño y la desviación estándar para que los límites estén en... Se ejecutan en 3 Sigma. Si hago clic en "Aceptar", activa el simulador con pH y temperatura normales. Las medias están en el centro del espacio de diseño, y básicamente, toma los rangos de mi espacio de diseño y los divide entre seis para que funcione en 3 Sigma.
Ahora, si hago clic en Simular para ver la tasa de defectos, considerando que se distribuyen normalmente dentro del espacio de diseño, la situación se ve muy bien. Quiero mencionar que aún estamos añadiendo errores aleatorios a nuestro modelo de predicción. Eso se ve muy bien. También me gusta usar la opción Simular a tabla en el simulador, que creará una tabla de datos completamente nueva donde los parámetros de mi proceso se distribuyen normalmente según estas distribuciones. Voy a hacer clic en ella.
Hay un script que se crea automáticamente en esta tabla para su distribución. Al ejecutarlo, puedo ver la distribución de mis atributos críticos de calidad y obtener el informe de capacidad, ya que tengo límites de especificación en las propiedades de la columna. Puedo ver rápidamente que si logro que mis procesos se ejecuten dentro del centro de mi espacio de diseño con límites de 3 Sigma, tendré procesos muy capaces. Tendré una muy buena capacidad y no conformidad para ambos atributos críticos de calidad.
Una última cosa que quería señalar sobre el Design Space Profiler es que, una vez que encuentre el espacio de diseño que le convenga, encontrará una opción en "Guardar límites de especificación X" que le permite guardar el espacio de diseño actual en la tabla de datos como propiedades de columna para los parámetros críticos del proceso. Si hago clic en ella y vuelvo a la tabla de diseño original, podrá ver que, para pH y temperatura, ese espacio de diseño se ha guardado como límite de especificación. Puedo guardar la tabla de datos y luego recordar cuáles son mis nuevos rangos de espacio de diseño.
Volvamos a la presentación en PowerPoint. Continúe. Ese fue un ejemplo bastante simple y directo, pero quiero mostrarles cómo podemos usar JMP para ejemplos más complejos. Antes de pasar al siguiente ejemplo, quiero hablar sobre otra área del desarrollo farmacéutico donde los principios de QBD se han aplicado más recientemente: el desarrollo de procedimientos analíticos.
El desarrollo de procedimientos analíticos se refiere al enfoque basado en la ciencia y el riesgo para desarrollar y mantener la idoneidad de los métodos de prueba analíticos a lo largo de su ciclo de vida. El documento ICH Q14 aplica el marco QBD al desarrollo de procedimientos analíticos, denominándolo enfoque mejorado. Gran parte del contenido de dicho documento queda fuera del alcance de esta presentación, pero mostraré cómo se puede utilizar el Design Space Profiler para identificar un concepto importante en dicho documento: la Región de Diseño Operable del Método (MODR).
El MODR se define como una combinación de rangos de parámetros de un procedimiento analítico dentro del cual se cumplen los criterios de rendimiento del procedimiento analítico y se garantiza la calidad del resultado medido. Además, moverse dentro de un MODR aprobado no requiere notificación regulatoria. Podemos considerar el MODR como el espacio de diseño o la región operativa óptima, y podemos utilizar el Design Space Profiler para determinarlo.
Podemos considerar los parámetros del procedimiento analítico como parámetros críticos del proceso y los criterios de rendimiento del procedimiento analítico como atributos críticos de calidad, y así es como me referiré a ellos principalmente en el resto de la charla. Cabe destacar, una vez más, que estas ideas y la terminología provienen de la industria farmacéutica, pero su aplicación es mucho más amplia.
Analicemos el segundo ejemplo de las directrices ICH Q14 para ver cómo se podrían utilizar JMP y Design Space Profiler para determinar la MODR de un procedimiento analítico. El objetivo del procedimiento analítico en este ejemplo es medir la potencia relativa de un anticuerpo monoclonal anti-TNF-alfa en un fármaco. El ensayo de potencia debería ser capaz de detectar un cambio o una variación en la potencia tras la degradación forzada.
Antes de continuar, quería agradecer a mi colega, Byron Wingerd, quien creó este ejemplo a partir del documento de directrices. Se trata de una reproducción del diagrama de Ishikawa del documento. Muestra las características del procedimiento analítico que se consideraron durante la evaluación de riesgos. Las partes del proceso que consideraremos en este ejemplo están coloreadas en morado: la ejecución del ensayo y la preparación celular.
En este ejemplo, queremos calcular la potencia de la preparación mediante un modelo de curva logística de cuatro parámetros. A la izquierda, se muestran los parámetros del procedimiento analítico, centrados en la autopreparación y la ejecución del ensayo. Estos son nuestros CPP o parámetros críticos del proceso, conocidos por trabajos anteriores. A la derecha, se muestran los criterios de rendimiento del procedimiento analítico, que son requisitos para las curvas dosis-respuesta. Estos son nuestros atributos críticos de calidad o CQA, por lo que son nuestros criterios de curva logística.
A continuación, diseñamos un experimento utilizando la plataforma de diseño personalizado de JMP con el CQA como respuestas y el CPP como factores; la concentración de CO₂ y la temperatura de incubación en realidad eran factores difíciles de cambiar para nuestro experimento, por lo que necesitábamos crear un experimento de parcela dividida con diseño personalizado y JMP.
Luego ejecutamos el experimento de parcela dividida y recopilamos resultados en ocho niveles de dilución serial, que fueron necesarios para ajustar las curvas de respuesta a la dosis logística de cuatro parámetros, por lo que estos son resultados intermedios que vamos a utilizar para ajustar las curvas logísticas.
A continuación, utilizamos la plataforma Fit Curve de JMP para ajustar las curvas logísticas de dosis-respuesta de cuatro parámetros. Posteriormente, recopilamos los parámetros y los diagnósticos de ajuste, que fueron nuestras respuestas experimentales o nuestros atributos de calidad críticos. Una vez finalizado el experimento, utilizamos la plataforma Fit Model REML de JMP para ajustar modelos mixtos para cada una de nuestras cinco respuestas a los atributos de calidad críticos.
Ahora que tenemos un modelo de predicción, usaremos el Design Space Profiler para determinar la región operativa óptima o MODR para este procedimiento analítico. Volvamos a JMP. Bien. Listo.
Esta es la tabla de datos que creó un diseñador personalizado al crear el experimento de parcela dividida. Ejecutamos el experimento, como mencioné, y rellenamos los resultados en nuestras columnas de atributos de calidad críticos. Ya agregué los límites de especificación como propiedades de columna nuevamente. Guardé nuestro modelo mixto como script. Procedamos a ejecutarlo.
Esto ejecuta el script. Crea nuestro modelo de predicción, que es un modelo mixto para cada uno de nuestros atributos de calidad críticos, como se ve aquí. Está abierto con el Profiler abierto. Puedo ver claramente la superficie de respuesta de mi modelo de predicción. De nuevo, activemos el Design Space Profiler. Para este ejemplo, voy a acortar las simulaciones simplemente eliminando un cero para que sea más rápido y no tengamos que esperar demasiado para que se ejecute. Si no hubiera eliminado el cero, tardaría poco más de un minuto, lo cual no está mal, pero no es necesario para una presentación.
Nuevamente, tenemos el Design Space Profiler justo debajo del Profiler. Quisiera mencionar que incorporó nuestros límites de especificación de las propiedades de columna y agregó el error cuadrático medio de nuestros modelos. Lo dejaré así. Creo que está bien.
Otra cosa que quiero señalar es que, dados estos rangos de factores iniciales, utilizando inicialmente el 100 % de nuestros datos, estamos aproximadamente al 70,61 % dentro de la especificación. Puedo ver que la configuración de los parámetros que probablemente querremos ajustar es el tiempo de incubación y el colorante de viabilidad, al menos al principio. Voy a hacer clic en "Mover hacia adentro" para ajustar el espacio de diseño. De hecho, estoy moviendo el tiempo de incubación y el colorante de viabilidad. Voy a seguir haciendo clic.
También puedo activar la tabla aleatoria de conexión y ver los diagramas de dispersión de mi superficie de respuesta. Voy a crear un diagrama de dispersión personalizado para mis parámetros, así que no veo todo el diagrama, que no me da ninguna información. Listo. Sigue haciendo clic en "Mover hacia adentro" para ver si podemos llegar al 99%, posiblemente, manteniendo una región de espacio de diseño razonable. Puedes ver cómo se reduce el espacio de diseño. Sigue haciendo clic en "Mover hacia adentro" para ver si llego al 99%.
El tiempo de incubación se está agotando. A ver si puedo seguir. Acabo de alcanzar el 99 %. Así se ve el espacio de diseño. Puedo usar el modo Ocultar de Conectar para verlo con más claridad. Así se ve el diagrama de dispersión de la superficie de respuesta. Mi tiempo de incubación parece bastante ajustado, como pueden ver, pero creo que probablemente pueda lograrlo. Voy a mover el centro del espacio de diseño, el punto medio, de vuelta al Generador de Predicciones, a ver qué tal. Parece bastante razonable. Voy a activar la deseabilidad rápidamente, a ver qué tal.
De nuevo, creo que los parámetros de mi proceso se distribuyen de forma normal y no uniforme. Voy a enviar de nuevo los límites al simulador con límites de 3 Sigma. Este se configura automáticamente para ejecutarse dentro del espacio de diseño con una distribución normal de 3 Sigma. Al hacer clic en Simular, obtengo una tasa de defectos bastante buena. También puedo simular en una tabla para revisar mis atributos de calidad críticos, distribuciones e informes de capacidad si puedo ejecutarlo dentro de ese espacio de diseño.
La asíntota superior se ve muy bien, la asíntota inferior no tanto, pero tampoco horrible. Todo lo demás se ve decente. La asíntota inferior podría ser la que más me preocupa por su calidad. De nuevo, podría guardarlas en mi mesa si estoy satisfecho con este espacio de diseño.
Muy rápidamente, volveré a mis diapositivas de PowerPoint. Solo quiero dar algunas reflexiones finales. El Prediction Profiler, con su Design Space Profiler y Simulador, es una herramienta indispensable para innovar productos de alta calidad con mayor rapidez. Encontrar espacios de diseño o regiones operativas óptimas es aplicable a muchas más aplicaciones que la industria farmacéutica. Es mucho más amplio.
Incluso en la industria farmacéutica, la búsqueda de regiones operativas óptimas puede aplicarse fuera del alcance original de ese documento de diseño. Veamos. Disculpen. Como vimos en el último ejemplo, se puede aplicar a procedimientos de procesos analíticos y también para encontrar una MODR, por lo que su aplicación es muy amplia. Estas son mis referencias, y una vez más quiero agradecer a Byron Wingerd por su ayuda con ese ejemplo. Muchas gracias por asistir.
