Цель настоящего Дополнения заключается в освещении вопросов, которые должны быть отражены в отчете об оценке в отношении анализа методов оценки рисков и статистических инструментов, используемых в контексте соответствующих руководств Союза. Экспертам рекомендуется ознакомиться с содержанием данного приложения, принимая во внимание все эти руководства Союза.
1. Методология оценки рисков.
Инструменты оценки рисков можно использовать во многих ситуациях. Например, их можно использовать для оценки и выбора показателей качества материалов и (или) параметров процесса, которые должны находиться в пределах допустимых норм для обеспечения требуемого качества лекарственного препарата. Такие инструменты могут также использоваться для выбора параметров процесса, потенциально способных повлиять на качество лекарственного препарата, на основе ранее полученного опыта и экспериментальных данных.
Необходимо оценить, представлены ли краткие данные по всем критическим показателям качества и параметрам процесса, которые, исходя из ранее полученного опыта и (или) экспериментальных данных, могут повлиять на качество лекарственного препарата.
В отношении анализа режимов и последствий отказов необходимо оценить:
все ли значимые факторы риска были включены. Например, известные факторы риска для лекарственного препарата (например, разложение, растворимость и т.д.);
учтен ли эффект отдельных операций и свойств материалов;
объяснил ли заявитель, как выполняется классификация и учет рисков;
обосновал ли заявитель порядок установления предельного значения для выбора того, какие параметры будут в дальнейшем подлежать анализу;
согласны ли вы с предлагаемой схемой классификации рисков;
соответствует ли результат анализа режимов и последствий отказов современным научным знаниям. Если нет, то обоснована ли приемлемость такого результата;
Управляются ли выявленные риски проектным полем (сферой дизайна) или предлагаемой стратегией контроля.
2. Эксперименты по проектированию.
Эксперименты по проектированию представляют собой стратегию реализации экспериментальной деятельности, в рамках которой одновременно варьируются все изучаемые факторы в соответствии с тщательно составленными математическими протоколами. Цель состоит в том, чтобы спланировать репрезентативные и информативные эксперименты, позволяющие получить максимальное количество информации при минимальном количестве опытов. Факторы, подлежащие изучению в рамках реализации экспериментальной деятельности, базируются на оценке рисков. Полная статистическая оценка экспериментальной деятельности, выполненная на ранних этапах разработки (например, для скрининга) не является необходимой мерой. Словесное описание факторов и изученных уровней, а также заключений считается вполне достаточным.
Однако в отношении экспериментов по проектированию, направленных на установление критических показателей качества, критических параметров процесса и (или) проектного поля (сферы дизайна) должны быть рассмотрены следующие данные:
разновидность использованного эксперимента по проектированию и обоснование его пригодности (например, некоторые скрининговые схемы не подходят, так как они не позволяют определить взаимодействие). Должна быть указана достоверность эксперимента по проектированию. (Экспериментальная ошибка в сравнении с различиями в ответах, которые должны быть отражены);
изучаемые факторы и их диапазоны (по возможности, в табличном формате);
перечень запланированных опытов с четким указанием партии или номера исследования и размера партии продукции в каждом опыте. Необходимо указать количество повторных опытов;
ссылка на аналитические методы, используемые для оценки данных и демонстрации их пригодности для предполагаемого использования;
необходимо представить статистические результаты (например, диаграммы Парето или простой список масштабов эффектов и взаимодействий), отражающие относительную значимость факторов при исследовании, а также взаимодействия между ними (по мере применимости).
Убедитесь, что прогнозы, сделанные на основе экспериментального исследования, сопоставимы с исследуемыми диапазонами и различиями в соотношениях масштаб (оборудование).
3. Многопараметровый анализ данных (MVDA) для многопараметрового статистического контроля процессов (MSPC).
Многопараметровый анализ данных (MVDA), включая анализ основных компонентов (PCA) и анализ на основе частных наименьших квадратов (PLS), могут использоваться для моделирования фармацевтических процессов. Анализ основных компонентов часто используется для обзора данных, например, для выявления групп и тенденций в массиве наблюдений, для оценки взаимосвязи между переменными и между наблюдениями и переменными. В то время как анализ на основе частных наименьших квадратов используется для установления связи между входными и выходными переменными с целью прогнозирования одного или нескольких компонентов. Вопросы, которые должны быть приняты во внимание при использовании модели многопараметрового анализа данных для многопараметрового статистического контроля процессов, включают в себя:
соответствуют ли метод подготовки проб для спектрального анализа и эталонный аналитический метод, используемые для анализа образцов, целевому назначению? Для онлайн-контроля или контроля в производственной линии, где нет выборки: какова повторяемость и воспроизводимость выборки в сочетании с аналитическим методом;
свидетельствуют ли массивы данных валидации (подготовки) и калибровка (испытаний) о прогнозируемой изменчивости процесса? Продемонстрирована ли применимость модели в пределах всего диапазона изменений, допускаемых пространством проектных параметров? В случаях если это трудно отразить, могут быть использованы результаты оценки риска. Влияние всех важных факторов риска должно быть проверено, и они должны быть включены в программы калибровки, валидации и испытаний;
достоверно ли изменяемость программы калибровки (испытаний) отражает большую часть изменяемых параметров валидации (подготовки);
были ли выявлены резко отклоняющиеся значения в исходном массиве данных и, если да, то действительно ли обоснование отказа от использования этих данных? Обратите внимание на то, что если массив данных, используемых для разработки модели, генерируется на основе экспериментальных данных, отказ от использования данных может иметь большее влияние на прогнозирующую способность модели по сравнению с историческими данными;
надлежащим ли образом информация, касающаяся предварительной обработки данных (при наличии), описана и последовательно ли применяется для всех массивов данных, используемых для создания, оптимизации и валидации модели;