СТАНДАРТИЗАЦИЯ, МЕТРОЛОГИЯ И СТАТИСТИКА

В ФАРМАЦЕВТИЧЕСКОМ АНАЛИЗЕ

ГП «Научно-экспертный фармакопейный центр», Украина, г. Харьков

Д.А. Леонтьев
Начальник отдела Валидации и СО
Зам. директора по научной работе, канд. фарм. наук

Тел.: р. +38(057)-719-06-01;
м. +38(067)954-91-74; +38(050)402-17-51
Leontiev@phukr.kharkov.ua; leontievd@yahoo.com

Доклад на семинаре - практикуме

УкрМедСерт, г. Киев, 29 июля 2014 г

1
Сокращения:
АФ – фармакопея США
ГЛС – готовые лекарственные средства
ГФУ – Государственная фармакопея Украины
ЕФ – Европейская фармакопея
ЛС – лекарственные средства
МПП - метод показателя поглощения для спектрофотометрических методов
МС - метод использования стандартного образца для спектрофотометрических методов
ППТ – программа профессионального тестирования лаборатории (межлабораторное сравнение
результатов)
СО – стандартный образец
СФ - спектрофотометрия
SD – стандартное отклонение
RSD – относительное стандартное отклонение (обычно выражается в процентах)
As – максимально допустимая неопределенность результата анализа
SP – максимально допустимая неопределенность пробоподготовки
FAO – максимально допустимая неопределенность конечной аналитической операции

СОДЕРЖАНИЕ
1. Введение
2. Лабораторные практики и принципы контроля качества результатов, необходимые
для корректного использования статистики
3. Неопределенность как интегральный критерий качества результатов измерений
a. Оценка неопределенности и прогноз неопределенности
b. Процедуры, необходимые для обеспечения контроля неопределенности в лаборато-
рии
4. Фармакопейная модель принятия решения о соответствии спецификациям
5. Принцип незначимости
6. Требования к максимально допустимой неопределенности результата анализа для
основных фармацевтических испытаний
7. Принципы измерения и варьирование
8. Обработка результатов анализа и их представление
a. Правила округления результатов – фармакопейная модель
b. Понятие о значащих цифрах как о механизме обеспечения качества результатов ана-
лиза
c. Некоторые другие фармакопейные правила, обеспечивающие метрологическую со-
гласованность методики
9. Оценка неопределенности – выбор статистической модели
a. Функция одной переменной
b. Функция нескольких переменных
i. Линейная модель оценки неопределенности
ii. Подход Уэлча — Сатертуэйта
iii. Сравнение линейной модели и подхода Уэлча — Сатертуэйта
iv. Различия в терминологии VIM/ISO (не фармацевтический сектор) и
ICH/фармакопей (фармацевтический сектор)
c. Оценка неопределенности – схема EURACHEM
d. Пример анализа источников неопределенности для фармацевтического анализа
10. Максимально допустимая неопределенность для базовых операций пробоподго-
товки
a. Неопределенность взятия навески
b. Неопределенность для волюметрических операций
i. Мерные колбы – рутинное выполнение анализа и калибровка/верификация
ii. Пипетки, бюретки - калибровка/верификация

2
 11. Оптимизация источников неопределенности и числа параллельных определений
a. Приборные Хроматографические методы
i. Подход Европейской фармакопеи
ii. Подход Государственной фармакопеи Украины
b. Спектрофотометрия
c. Титриметрические методы анализа
12. Примеры оценки неопределенности – линейная модель (на примере метода жид-
костной хроматографии)
a. Оценка неопределенности для метода внутреннего стандарта
b. Оптимизация компонентов неопределенности – вклад пробоподготовки значим
c. Неопределенность пробоподготовки необходимо изучать экспериментально
13. Установление внутренних допусков содержания
a. Количественное определение – субстанции
b. Количественное определение – готовые лекарственные формы
c. Количественные тесты: Растворение для твердых дозированных форм и Однород-
ность содержания
14. Пригодность аналитической системы и Рутинный контроль качества результатов
анализа
15. Некоторые проблемы корректного использования статистики
a. Различие в подходах: GMP и тотальный контроль качества
b. Исключение выпадающих значений
c. Статистическая незначимость и практическая незначимость
d. Изучение линейной зависимости и оценка неопределенности*
e. Новые подходы USP к валидации аналитических методик – неопределенность и кри-
терии*
f. Оценка неопределенности и критерии для аналитических весов*
g. Некоторые другие примеры
*новые пункты

1. Введение
Все статистические концепции основываются на математически обоснованных законах
вероятности. Понимание статистических концепций позволяет аналитику максимально коррект-
но выражать результаты анализа и максимально обеспечить качество результатов анализа.
Посредством соответствующего обучения аналитик мотивируется выполнять анализы
наиболее правильно, и сообщать результаты, которые содержат максимум полезной информа-
ции. Корректное использование статистики дает возможность выявлять ошибки (которые внут-
ренне присущи любым результатам анализа), как случайные, так и систематические.
Лекция не предназначена для того, что бы дать глубокие разъяснения для мириадов воз-
можных способов использования статистики в фармацевтическом анализе химическими мето-
дами. Ее предназначение – а дать общие разъяснения для наиболее часто встречающихся ситуа-
ций использования статистики в фармацевтическом анализе, исходя из опыта автора.
Могут использоваться другие статистически эквивалентные методы на усмотрение поль-
зователя.
Метрология фармацевтического анализа – учение о математической (в частности, стати-
стической) обработке результатов фармацевтического анализа.
В лекции большое внимание будет уделено вопросам стандартизации, так как неправиль-
ная стандартизация может сделать бессмысленным дальнейшую статистическую обработку ре-
зультатов.

3
 2. Лабораторные практики и принципы контроля качества результатов,
необходимые для корректного использования статистики
Рациональное применение принципов статистики возможно только тогда, когда данные
прослеживаемы (т.е. хорошо задокументированы) и не смещены (не дают искаженной оценки
характеристики всей популяции). Для этого предпочтительно использовать следующие лабора-
торные практики:

i. Поддержание детальных и прослеживаемых записей

Должны фиксироваться детали получения результатов, что бы другой аналитик с такой
же квалификацией мог воспроизвести экспериментальные условия и оценить полученные ре-
зультаты.

ii. Отбор представительной пробы

Правильный пробоотбор является важным шагом для оценки свойств популяции.
a. Наиболее правильный – случайный отбор: любой образец имеет равную вероятность
быть отобранным для анализа.
b. Иногда не оптимален – если имеются факторы, влияющие на критические свойства об-
разца (например, «голова», середина и «хвост» серии). Систематический случайный пробоот-
бор: случайно выбирается в заданное время или место.
c. Стратифицированный случайный пробоотбор: разделение пробы на более однород-
ные части. Пример – начало процесса производства, середина и окончание. Для получения ин-
формации о среднем значении желательно отбирать пробы через равномерные промежутки.

Должен быть установлен план пробоотбора с указанием деталей пробоотбора. Оптималь-

ная стратегия пробоотбора определяется знанием процесса производства и процесса измерения.
Отобранных образцов должно хватать для выполнения анализа, его верификации (проце-
дура OOS и других анализов (архив).

iii. Использование стандартных образцов

СО должен быть достаточно охарактеризован.

В фармацевтическом секторе в странах, соответствующих современным стандартам,

принята двухуровневая система СО:
- официальный (фармакопейный) СО (ФСО) – утвержденный и введенный в действие фармако-
пейным органом (имеющий статус отраслевого СО). Для Украины официальными СО являются
СО ЕФ и ГФУ. ФСО используется для проведения арбитражных анализов и для калибровки
РСО.
- рабочий СО - имеющий статус СО предприятия, используются для проведения поточных ана-
лизов при условии, что РСО откалиброваны по ФСО.
В фармакопее СССР использовалась принципиально иная система фармакопейных СО.
Для анализов использовались:
- ГСО, вместо которого было нельзя использовать вещество любого другого статуса.
- под РСО понималась субстанция, которую аттестовала сама лаборатория как первичный СО.
Причем обычно субстанцию обычно титровали, и по результатам титрования присваивали атте-
стованное значение. Затем данный «РСО» использовали для количественного определения ГЛС
с использованием других методов (СФ, хроматография).
Такая «аттестация» СО вообще не корректна, поскольку
- количественное определение для чистых субстанций играет роль подлинности; результат ко-
личественного определения не связан с содержанием действующего вещества;
- непонятно, какой вклад в аттестованное значение будут давать примеси.

4
 Использование официальных (фармакопейных) СО является обязательным условием полу-
чения корректных результатов. Использование СО должно соответствовать его предна-
значению при аттестации.
Пример: EP CRS 2b-интерферон. Предназначен для определения подлинности, но в информа-
ционных целях приводится концентрация интерферона, и достаточно точно: 1,52 мг/мл. Однако
использовать его для количественного определения нельзя, поскольку непонятно, с какой неоп-
ределенностью приведено содержание, что будет с ним в течение срока годности, какая одно-
родность по ампулам и пр.

iv. Проверка пригодности аналитической системы

Соответствие аналитической системы требованиям к пригодности требуется на протяже-
нии всего анализа.
Совпадает с элементом Квалификации оборудования - Квалификация эксплуатационных
характеристик или эксплуатационных качеств (Performance Qualification, PQ) - тестирование во
время использования.
PQ квалификация обеспечивает непрерывное во времени подтверждение того, что прибор:
- находится под регулярным контролем
- имеет приемлемые эксплутационные характеристики при его рутинном использовании.
В соответствии с конкретными обстоятельствами для проведении PQ выбирают критиче-
ские параметры аналитической системы (например, уровень шума базовой линии, пределы ко-
личественного определения анализируемых компонентов, сходимость времен удерживания и
т.д.).
Часто выбор критических параметров и критериев – результат валидации методики.
Далее – рассмотрено на примере спектрофотометрических методик.

v. Валидация аналитических методик

Все методики должны быть валидированы – даже непосредственно не связанные с кон-
тролем качества (например, для валидации очистки оборудования).
Все методики, включенные в ГФУ, а также фармакопеи сторон-участников ICH (Евро-
пейская Фармакопея, Фармакопея США и Фармакопея Японии), ВОЗ и др. являются валидиро-
ванными, и требуют только проведения верификации.
Верификация должна подтвердить на основании экспериментальных данных, что ла-
боратория в состоянии корректно воспроизвести фармакопейную методику (т.е., для конкретно-
го аналитического оборудования, для данных используемых реактивов, в данных условиях ок-
ружающей среды, при выполнении анализа аналитиками данной лаборатории и т.п.). Верифика-
ция также должна проверить, пригодна ли фармакопейная методика для данной субстанции
(путь синтеза) или ГЛС (влияние матрицы, способ производства).
Субстанции - Система сертификации ЕФ. Для субстанции достаточно фармакопейных
тестов, описанных в монографии, если субстанция имеет Сертификат соответствия Европейской
Фармакопее. (список субстанций/производителей публикуется на сайте ЕФ).
Если нет сертификата – ответственностью производителя, использующего данную суб-
станцию, является удостовериться, подходят ли для нее фармакопейные тесты и являются ли
они достаточными.
ГЛС. Фармакопейные методики могут использоваться для контроля качества готовых ле-
карственных препаратов только после подтверждения, что конкретный состав не приводит к не-
приемлемому ухудшению правильности, линейности, или прецизионности методики. Нельзя без
экспериментального подтверждения предполагать, что валидированная фармакопейная методи-
ка будет давать корректные результаты для данного лекарственного препарата.
Верификация: не должна включать полный объем эксперимента, необходимый для вали-
дации. Но могут проверяться те же валидационные характеристики.
Верификация не требуется для базовых (обще аналитических) фармакопейных тестов, та-
ких как потеря в массе, остаток после сжигания, различные процедуры «мокрой химии» - ки-
слотное число и пр., простые инструментальные определения – рН, и др.

5
 3. Неопределенность как интегральный критерий качества
результатов измерений
При выполнении анализа принятие решения о качестве лекарственного средства (ЛС)
должно быть достоверным (повторный анализ с высокой степенью вероятности должен давать
то же заключение о качестве).
Для количественных испытаний интегральной характеристикой качества является неоп-
ределенность конечного результата анализа. Неопределенность характеризует разброс получен-
ных результатов относительно истинного значения [1] (т.е. характеризует степень доверия к по-
лученному экспериментальному результату).

Статус неопределенности в фармацевтическом анализе:

- ЕФ: общая статья 2.2.46 «Хроматографические разделительные методы»
- Ф. США (<1010>) [2]: если вариабельность результатов не изучена и не указана совместно с
результатом анализа, то данные результаты не содержат информации об их качестве
- Оценка неопределенности официально предоставляется пользователю USP RS (для вновь
аттестуемых USP RS – см., например, USP RS карбамазепина) [3]
- Лаборатории сети OMCL (сеть лабораторий Европейского сообщества, контролирующие ка-
чество препаратов, находящихся на рынке) [4]
- Лаборатории сети FDA [5]
- ISO 17025
- ГФУ: Валидация аналитических методик и испытаний; монографии на методы анализа.

3.а. Оценка неопределенности и прогноз неопределенности

Контроль качества ЛС (как и любой другой серийной продукции) по содержанию какого-
то вещества существенно отличается от обычной аналитической задачи определения концентра-
ции этого же вещества в этом же ЛС. При контроле качества нас мало интересует само значение
концентрации. Нас интересует, находится ли концентрация в пределах допусков по специфика-
ции. Поэтому при контроле корректности результатов обычно используются не фактические
метрологические характеристики, а их предельно допустимые значения.

В большинстве случаев в нефармацевтическом секторе (судя по многочисленным примерам в

Интернете) Оценку неопределенности проводят для данной лаборатории, для данного прибора,
а часто и для данного набора результатов.
Проблема: какова будет максимальная неопределенность при выполнении данного анализа в
другой лаборатории при условии, что лаборатория работает в соответствии со всеми стандарта-
ми?
Пример: для количественных определений допускается использование весов с неопределенно-
стью ≤ 0,2 мг. Фактическая неопределенность может быть на порядок ниже!

Сможет ли другая лаборатория получать корректный результат и принимать коррект-

ное заключение о качестве лекарственного средства???

Прогноз неопределенности проводят исходя из:

- максимально допустимых погрешностей, установленных стандартами качества (Фармакопея)
- на основании результатов, полученных при валидации методики, прогнозируя с использовани-
ем статистических методов «наихудший случай» для другой лаборатории. Т.е. обосновываются
требования к «обычной аналитической практике».

6
 3.b. Процедуры, необходимые для обеспечения контроля неопределенности
в лаборатории
Для обеспечения корректности результатов анализа система качества лаборатории
должна включать следующие элементы:

- квалификация аналитического оборудования

Позволяет оценить, какую неопределенность вносит оборудование, и соответствует ли фактиче-
ская неопределенность требованиям стандартов/спецификациям производителя. Это начало
«цепочки» контроля неопределенности результатов анализа [6].

- Валидация / передача / верификация аналитических методик и испытаний

Предназначение валидации - выявление значимых источников погрешности, и затем:
– или их исключение (модификация методики)
– или их контроль при рутинном анализе
При этом экспериментально доказывается, что отсутствуют источники неопределенности, о ко-
торых аналитик не знает.
Пример: в ТСХ для вязких растворителей температура окружающей среды может оказывать
критическое влияние на время хроматографирования и размывание хроматографических зон.
Результат валидации – нормирование диапазона температуры, в котором методика дает кор-
ректные результаты.
Валидация – эффективный инструмент контроля неопределенности только в том случае, когда
реализованы звенья: валидация  верификация/перенесение методики  рутинный кон-
троль качества

- внутрилабораторные процедуры контроля качества:

- Верификация мерной посуды
Как показали результаты тестирования посуды, в лаборатории может быть ни единой единицы
данной номенклатуры (например, бюретка на 25 мл, или мерная колба на 200 мл), которая бы
соответствовала фармакопейным требованиям. Без верификации посуды нельзя рассчитывать на
корректную пробоподготовку.
- Обучение и тестирование персонала
Никакое самое современное оборудование не даст корректных результатов, если на нем работа-
ет неквалифицированный персонал. Особенно это важно для методик, использующих много-
кратные разбавления (например, в спектрофотометрии). Различие между относительными стан-
дартными отклонениями опытного аналитика и аналитика без опыта может достигать 10 раз!
Результаты ППТ показали, что основным источником погрешности результата анализа в боль-
шинстве лабораторий является именно выполнение пробоподготовки [7, 8] – неопределенность
в несколько раз превышала максимально допустимое значение в соответствии с фармакопейны-
ми требованиями.
Проверка квалификации аналитика (внутрилабораторное тестирование) возможна с использова-
нием тестовых образцов с известной концентрацией/составом – «интегральный» тест, позво-
ляющий проконтролировать аналитическую систему в целом.

- внешний контроль качества: участие в Программах профессионального тестирования лабо-

раторий
FDA [25]: «ППТ используется, как инструмент, чтобы помочь персоналу идентифицировать ла-
бораторные проблемы, которые могут существовать, и которые не замечены во время осуществ-
ления внутренней программы контроля качества».

Отсутствие какого-либо элемента не позволяет контролировать качество результатов!

7
Контроль за неопределенностью результатов анализа используется:
- при валидации методики: прогноз неопределенности + изучение фактического значения неоп-
ределенности
- при передаче методики для рутинного выполнения анализа: прогноз неопределенности + ве-
рификация, что фактическая неопределенности соответствует требованиям фармако-
пеи/методики
- при рутинном выполнении анализа: как указано в методике + для выяснения причины OOS или
сомнительных результатов

4. Фармакопейная модель принятия решения

о соответствии спецификациям
ГФУ/ЕФ – пределы содержания (вводная часть):
Пределы содержания указаны с учетом погрешности, характерной для обычной аналитической
практики. Пределы установлены с учетом:
 погрешности методики анализа,
 допустимого варьирования при производстве
 допустимого загрязнения (в течении срока годности).
При принятии решения о соответствии качества анализируемого ЛС требованиям монографии
не должны использоваться какие-либо дополнительные доверительные интервалы.
Данная ситуация продемонстрирована на рисунке:
Допустимое варьирование
результатов анализа

Пределы содержания по спецификации

Допустимое варьирование реального содержания (технология + стабильность)

Для того, что бы с достаточной надежностью получить результаты, соответствующие специфи-

кации, должно выполняться соотношение:

Сп  2As  2Содерж ;  As  Содерж

где: Сп - пределы содержания в соответствии со спецификациями;
Содерж - максимально возможное варьирование, связанное с реальным содержанием
(технология + стабильность);
As - максимально возможное варьирование, связанное с результатами анализа.

Чем меньше варьирование, связанное с результатами анализа, тем больше допустимое варьиро-
вание технологии, и наоборот.
1. Если варьирование результатов слишком велико, то качественное ЛС (т.е. соответствующего
требованиям спецификации) невозможно произвести вообще;
2. Гораздо дешевле оптимизировать методику, чем менять технологию. Однако возникает во-
прос – на чем можно остановиться?

8
 5. Принцип незначимости
Базовый принцип, позволяющий сформулировать систему взаимосогласованных критериев:
фармацевтические испытания (методики)  квалификация аналитического оборудования  ва-
лидация методики  контроль рутинного анализа  внешняя оценка лаборатории (ППТ)

Основан на линейной модели сложения неопределенностей (обсуждение различных моделей –

далее)

Неопределенность методики анализа (или ее составляющая) не должна значимо влиять на

принятие решений о качестве лекарственного средства.

Примем допуски содержания для ГЛС (± В) как ∆1, и максимально допустимую неопре-
деленность результатов анализа как ∆2.
Тогда неопределенность результатов анализа (∆2) не будет значимо влиять на принятие
решения о качестве (т.е. находится ли истинное значение в пределах допусков ∆1, или не нахо-
дится) для вероятности р%, если суммарный доверительный интервал ∆pooled не превышает ∆1
более, чем на р%.
Т.о. должно выполняться неравенство:
p
p   21   22  (1  )   1.
100
В аналитической практике обычно принят уровень значимости р = 5% (т.е. уровень не-
значимости 95%). В этом случае:
 2 ( 95 %)  0 . 32   1 ;

Соответственно:  2 ( 90 %)  0 . 46   1 ;  2 ( 99 %)  0 . 14   1

6. Требования к максимально допустимой неопределенности

результата анализа для основных фармацевтических испытаний

Количественное определение – субстанции («подтверждающий» подход)

В достаточно чистой субстанции содержание не может быть больше 100%.
Поэтому: верхний допуск содержания (BH) – 100% = As
(As – максимально допустимая неопределенность результатов анализа)
Предназначение испытания: При корректном выполнении анализа для кондиционной субстан-
ции должен быть получен результат в пределах спецификаций. Поэтому для субстанций необ-
ходимо лишь подтвердить, что найденное содержание основного вещества не отличается значи-
мо от 100%.
Ни в коем случае нельзя использовать результат количественного определения для закладки
субстанции в ГЛС!

Количественное определение – ГЛС («доказывающий» подход)

Содержание в ГЛС действующего вещества может быть по отношению к номиналу каким угод-
но (особенно для минорных компонентов): 50%, 100%, 200%(!), 300%(!!) и т.д.
Предназначение количественного определения для ГЛС – установить содержание действую-
щего вещества.

9
С учетом принципа незначимости:
BH  BL
 Аs   0.32
2
BH – верхняя граница содержания по спецификации в %;
BL – нижняя граница содержания по спецификации в %.

Опираясь на предназначение фармацевтического испытания и из фармакопейных требо-

ваний сформулированы требования:

Требования к неопределенности ре-

Испытания
зультата анализа
Количественное определение:
Субстанции ΔАs ≤ BH – 100 %

BH  BL
Готовые ЛС  Аs   0 . 32
2
Однородность содержания, Растворение ΔАs ≤ 3%

Сопутствующие примеси:
Граничные испытания Δimp ≤ 16%
Количественные испытания Δimp ≤ 5%

Остаточные органические растворители Δimp ≤ 16%

Примечания:
BH – верхняя граница содержания по спецификации в %;
BL – нижняя граница содержания по спецификации в %.

Как только появляются критерии, многие статистические приемы становятся ненужными. На-
пример, сравнение валидируемой методики с фармакопейной методикой. Методика недолжна
быть «не хуже» фармакопейной, она должна соответствовать критериям!

7. Принципы измерения и варьирование

Выборка - совокупность статистически эквивалентных результатов (вариант). Например, ряд

результатов, полученных при параллельных определениях содержания какого-либо вещества в
однородной по составу пробе. Отдельные значения вариант выборки объема п принято обозна-
чать через хi, (1  i  n). Упорядоченная в порядке возрастания выборка может быть представле-
на в виде: x1 ; x2 ;... xi ;... xn 1 ; xn .

Случайная и систематическая погрешности

Все данные, в оптимальном случае, являются наилучшей оценкой истинного (или «при-
нятого») значения. Но они всегда включают в себя случайную составляющую варьирования и,
иногда, систематическую.
Примечание: данные всегда содержат и случайную, и систематическую составляющую
погрешностей, однако они могут быть ниже чувствительности метода, и их аналитик просто не
замечает.

10
Пример – результаты измерения оптической плотности на СФ:
- с тремя цифрами после запятой: 0,654; 0,654; 0,654.
- с четырьмя цифрами после запятой: 0,6544; 0,6540; 0,6538.

Случайная и систематическая ошибки

Систематическая (обусловленная) ошибка – остается одинаковой для всей серии параллельных
измерений.
Часто может быть скорректирована, если она распознана (если исключается ее причина). Клас-
сический пример – коррекция титра, V0.

Случайная погрешность– варьирует от измерения к измерению непредсказуемым образом.

Пример – варьирование площади пика для приборных хроматографических методов.

Обе погрешности зависят как от объективных факторов (методика анализа, прибор), так и от
субъективных факторов (аналитик).

Случайная погрешность (необусловлен- Систематическая погрешность (обуслов-

ная) ленная)
Варьирует от серии к серии измерений не- Остается одинаковой для всей серии парал-
предсказуемым образом лельных измерений
Может быть уменьшена, но никогда не мо- Если она распознана, часто может быть
жет быть скорректирована (исключена) скорректирована (исключена)
Оба вида погрешностей зависят как от объективных факторов, так и от субъективных

Характеристики результата – правильность, прецизионность и неопределенность

В фармацевтическом секторе используются следующие определения:

Правильность (accuracy, trueness) – характеризует степень соответствия между известным ис-

тинным значением или справочной величиной и значением, полученным по данной методике.
Ее можно ассоциировать с систематической ошибкой.

Прецизионность (precision) аналитической методики выражает степень близости (или степень

разброса) результатов для серии измерений, выполненных по данной методике на различных
пробах одного и того же однородного образца. Прецизионность может рассматриваться на трех
уровнях:
- сходимость (варьирование в пределах одного анализа),
- внутрилабораторная точность (варьирование между анализами)
- воспроизводимость (варьирование в результатах анализа между различными лабораториями).
Прецизионность можно ассоциировать со случайной погрешностью.

Неопределенность учитывает вклад всех видов погрешности. Неопределенность – всегда диа-

пазон, ширина которого зависит от используемой вероятности. Она не характеризует ошибку
определения истинного значения , поскольку найденная величина x может быть в действи-
тельности очень близка к . Но мы этого истинного значения не знаем. Неопределенность ха-
рактеризуют степень неопределенности наших знаний об истинном значении  величины A (или
степень доверия к полученным результатам).

Выборка и популяция
Если проделать достаточно большое число анализов (или измерений), то полученные ре-
зультаты будут отражать свойства всех анализов, которые могут быть получены в данных усло-
виях для данного образца (т.е. отражать свойства популяции, или генеральной совокупности).
Нас интересуют в первую очередь: оценка истинного значения и оценка варьирования.
Чем меньше выборка, тем меньше она отражает свойства популяции.

11
 Для n < 5 выборка практически не отражает свойства популяции. Для n ≥ 20 – 30 свойст-
ва выборки практически совпадают со свойствами популяции.

Нормальное распределение – основные понятия

Если на результат действует множество независимых факторов, то распределение результатов
по частотам для популяции будет иметь следующий вид (исходя из предположения, что присут-
ствует только случайная составляющая погрешности):

Рис. Графическое изображение нормального распределения в зависимости от : чем меньше ,

тем уже распределение.

Это распределение называется Нормальным, или Гауссовым.

Функция нормального распределения описывает вероятность получения результата для данного
диапазона измерений (для результата, который не имеет дискретные значения, а может иметь
любое значение). Оно описывается двумя параметрами:
- истинное значение 
- стандартное отклонение 
( x  ) /  2 1
Математическое выражение для Гауссианы: Y  e 1 / 2 или Y 2
 x 
 
  
e
где Y – частота появления результата для данного значения х.

Некоторые свойства нормального распределения:

- при отсутствии систематической погрешности, наиболее вероятным результатом измерения
является истинное значение 
- ошибка (х-) распределена симметрично по обе стороны от . То есть отклонения результата в
любую сторону от истинного значения равновероятны.
- меньшие ошибки более вероятны, чем бóльшие ошибки
- кривая никогда не достигает оси У и стремится к ней асимптотически. То есть любое значение
результата измерения имеет значение вероятности, не равное нулю.

Практическое следствие: чем больше результатов измерения, тем больше размах варьирования!

Отметим, что только для нормального распределения:

- среднее значение выборки ( x ) есть наилучшей оценкой истинного значения
- выборочное стандартное отклонение (s) – и производные от него функции – есть наилучшая
оценка варьирования (т.е. насколько найденное значение отличается от истинного).

12
 n n

d  xi2  n  x
n 2 2

x i
i

d i  xi  x ;   n  1 ; s  
2 1 1
x 1
; ; s  s2
n  
где:
di – отклонение
 – число степеней свободы (число независимых вариант)
s2 – дисперсия

d i
2

Для генеральной совокупности стандартное отклонение:  1

n
s
sx 
Стандартное отклонение среднего результата sx рассчитывают по уравнению: n
Усреднение результата позволяет существенно уменьшить варьирование.

Оценка неопределенности
Генеральная совокупность
Для выборки, достаточно хорошо отражающей свойства популяции: диапазон значений, в пре-
делах которого с заданной вероятностью находится истинное значение, может быть выражен
непосредственно в значениях . На расстоянии n от истинного значения находится:
1 - 63.8 %; всех результатов
2 - 95.5 % всех результатов
3 - 99.7 % всех результатов
Т.е. истинное значение с вероятностью 95.5 % находится в пределах ± 2 от полученного ре-
зультата анализа (рис.).

Доверительные интервалы
Диапазон, в пределах которого с заданной вероятностью находится истинное значение, называ-
ется доверительным интервалом (При отсутствии систематической погрешности совпадает с
неопределенностью!)
Расчет граничных значений доверительного интервала при известном значении стандарт-
ного отклонения  или для выборок большого объема проводят по уравнению:

x     x  U ( P)  s (варианты, входящие в выборку, распределены нормально).

x
n
Здесь U(P) – табличное значение функции нормального распределения.
13
Чем меньше выборка, тем сильнее распределение результатов отличается от нормального (рис –
диаграмма распределения по возрастанию результатов анализа для 9 параллельных результа-
тов).

Степень нашего незнания о генеральной совокупности, свойства которой отражает выборка, по-
зволяет учесть распределение Стьюдента.
Для выборок небольшого объема:
t ( P , )  s
  x или   x  x
n
где t ( P, ) - табличное значение коэффициента Стьюдента для доверительной вероятности Р
и числа степеней свободы .

Если при измерении одной и той же методикой двух близких значений A были получены
две случайные однородные выборки с объемами п и m, то при m < n для выборки объема т
справедливо выражение:
t ( P, ( n ) )  S( n )
x( m )   x ( m )  x( m ) 
m
(индекс указывает принадлежность величин к выборке объема m или п).
Это позволяет существенно сузить доверительный интервал среднего x(m ) для выборки
малого объема т благодаря использованию известных величин s(n) и t(P, (n)), найденных ранее
для выборки большего объема п.
Более общим подходом является объединение выборок с расчетом объединенного стан-
дартного отклонения и степеней свободы. Это стандартное отклонение и соответствующий объ-
единенному числу степеней свободы критерий Стьюдента используются для оценки довери-
тельного интервала.
Аналогично определяется доверительный интервал результата единичного определения:
xi   x  xi  t ( P, )  s .

Односторонние и двусторонние доверительные интервалы

Выше рассмотрены «двусторонние» доверительные интервалы. Однако для гарантии ка-
чества ЛС и при контроле качества ЛC используются «односторонние» доверительные интерва-
лы.
Например, для ГЛС допуски содержания установлены 90-110 % от номинального. В про-
цессе анализа получено среднее значение x = 94 %. Нас интересует, не выходит ли доверитель-
ный интервал за допуски содержания (90-110 %). В данном случае доверительный интервал мо-
жет выйти за пределы только нижнего допуска (90 %), но не нижнего и верхнего (110 %) одно-
14
временно. Таким образом, истинное значение  находится в интервале
x  x     .
Аналогично - когда x превышает 100 % (например, x = 105 %):
     x  x.
Существует следующее соотношение между двухсторонним (P2) и односторонним (P1)
критериями Стьюдента:
t[P2,  ] = t[(2P1 – 1),  ]. (1.30)

В частности, односторонний критерий Стьюдента для вероятности 0.95 (т.е. 95 %) совпадает с

двухсторонним критерием Стьюдента для вероятности 0.90 (т.е. 90 %).
Таким образом, P2 – это вероятность того, что математическое ожидание (или истинное
значение) оцениваемой величины находится в двусторонне ограниченных пределах, а P1 – это
вероятность того, что оно находится в односторонне ограниченных пределах.

s
На практике удобно использовать относительные величины: RSD   100% и
x
t ( P , ( n ) )  RSD ( n )
 x ,r 
n

Использование статистических приемов должно быть всегда взвешенным, и стыковаться

с полученными результатами и целями их обработки. Основными предположениями для ис-
пользования многих статистических приемов являются:
- распределение для всей популяции подчиняется нормальному (Гауссовому)
- анализируемый образец является представительным набором для данной популяции
(т.е. отражает ее свойства – среднее и разброс).

Примечание: если распределение отличается от нормального, то может использоваться

«робастная статистика», оценки которой не зависят от распределения. Тогда:
- наилучшая оценка истинного значения есть медиана
- наилучшая оценка варьирования есть размах варьирования
Для нормального распределения эти оценки совпадают.

8. Обработка результатов анализа и их представление

8.а. Правила округления результатов – фармакопейная модель
Результат округляют до указанного в допуске содержания количества значащих цифр
(если нет других указаний).
Когда требуется округление, рассматривают только одно число в десятичном месте спра-
ва от последней цифры в выражении предела/критерия. Если цифра, отбрасываемая при округ-
лении:
 больше или равна пяти - последнюю цифру увеличивают на единицу
 меньше пяти - последнюю цифру оставляют неизменной.

Числа не округляют до тех пор, пока не будут рассчитаны конечные результаты.

Промежуточные результаты расчетов (например, значение тангенса угла наклона, ис-
пользуемого для калибровки) могут быть округлены для представления этих результатов в до-
кументации, но для любых других дополнительных расчетов должны использоваться исходные
не округленные результаты.
Критерии приемлемости являются фиксированными числами и не округляются.
15
 Правильное округление в зависимости от выражения допусков
Фармакопейные требо- Не округленный ре- Округленный ре- Заключение о каче-
вания зультат зультат стве
Допуск 98.0% 97.96% 98.0% +
(количественное 97.92% 97.9% -
определение) 97.95% 98.0% +
Допуск 101.5% 101.55% 101.6% -
(количественное 101.46% 101.5% +
определение) 101.45% 101.5% +
Допуск 0.02% 0.025% 0.03% -
(предельный 0.015% 0.02% +
тест) 0.027% 0.03% -
Допуск 3 ppm 3.5 ppm 4 ppm -
(предельный 3.4 ppm 3 ppm +
тест) 2.5 ppm 3 ppm +

8.b. Понятие о значащих цифрах как о механизме обеспечения качества

результатов анализа
Значащие цифры используют для того, что бы выразить точность результата и его неопределен-
ность, связанную с выражением результата. Это позволяет выразить, «как хорошо» мы знаем
цифры в результате. Сейчас это особенно важно, поскольку обычно приборы и компьютеры ге-
нерируют результаты с «кажущейся» избыточной точностью, которая может быть никак не свя-
зана с фактической. Описанные ниже простые правила помогут выражать результаты с их ре-
альной точностью. Цель – конечный результат никогда не должен содержать значащих цифр бо-
лее, чем его фактическая точность. Это делается как интуитивно, так и научно обоснованно: ре-
зультат настолько хорош, насколько хороши исходные данные.

Определения и правила для значащих цифр

•Все отличные от нуля цифры являются значащими
•Самой значащей цифрой (оказывающей наибольшее влияние на результат) является отличная
от нуля цифра в результате, которая стоит слева: 359.741 (3 является самой значащей цифрой)
•Если имеется десятичный разделитель, наименее значащей цифрой (оказывающей наименьшее
влияние на результат) является самая правая (не важно - ноль или нет): 359.7410 (0 является по-
следней значащей цифрой). Если десятичного разделителя нет, самая правая отличная от нуля
цифра является наименее значащей цифрой.
•число цифр между первой и последней значащими цифрами, включая первую и последнюю, и
есть число значащих цифр: 359.7410 (семь значащих цифр)
Примеры:
Пример Число Значащие
цифры
А 2.2345 гр. 5
Б 22.3456 гр. 6
В 022.3 мг. 3
Г 22.3 мг. 3
Д 22.30 мг. 4
Е 22.030 мг. 5
Ж 99.97% 4
16
 Значащие цифры при вычислении результата
Большинство результатов в фармацевтическом анализе получают при помощи арифметических
действий: сложение, вычитание, умножение и деление. Требуемое число значащих цифр для
корректного выражения конечного результата во всех случаях может быть легко получено как
было указано выше: конечный результат выражают с прецизионностью, соответствующей пре-
цизионности наименее точного измерения.
Общим правилом является, что бы результат имел столько же значащих цифр, сколько и наиме-
нее прецизионное измерение:
Пример: 56  0.003462  43.72
21.1 1.684
+ 2.037
+ 6.13
________
Результат вычисления 4.975740998 = 5.0, по-
29.267 = 29.3, поскольку слагаемое 21.1 име- скольку один из сомножителей (56) имеет
ет наименьшее число значащих цифр только две значащие цифры.

«Проблема единицы»
С точки зрения FDA, если первая цифра единица, то она рассматривается как и другие цифры –
значащей.
Однако единица в качестве наиболее значащей цифры играет особую роль.
Наиболее значащая цифра Минимальное изменение Различие в %
1 21 50 %
2 32 33%
9 109 10 %

Пример: в титриметрических методиках поправочный коэффициент в идеале равен единице. На

практике от может быть как больше, так и меньше.
Пример:
0,998
1,012
Понятно, что данные цифры имеют одинаковую неопределенность.
Неправильно представлять титр:
0,998
1,01
Понятно, что нижняя цифра представлена с прецизионностью на порядок ниже.

Поэтому рационально пользовать следующим Правилом: если первая цифра единица, то число
значащих цифр на одну меньше.
Число Значащие
цифры
100,5 3
0,12 1

Правила предоставления значащих цифр для неопределенности

Неопределенность принято выражать не более чем двумя значащими цифрами:
Правильно Не правильно
SD = 0.32 SD = 0,318 или 0,3
SD = 1.32 SD = 1,318 или 1,3
 = 0.32  = 0,318 или 0,3
 = 1.32  = 1,318 или 1,3
С неопределенностью связано округление результатов: нет смысла выражать результат точнее,
чем его неопределенность

17
Пример. Для Декстрана 40 для инъекций средневесовая молекулярная масса нормируется от
35000 до 45000. При этом из допусков содержания не ясно, какие требования к округлению ре-
зультатов. Очевидно, что погрешность результата существенно выше, чем ± 1 у.е.
Неопределенность методики может быть определена в результате валидации, и в методику мо-
гут быть включены требования по округлению результата. (наши рекомендации ± 10 у.е. [9])

8.с. Некоторые другие фармакопейные правила,

обеспечивающие метрологическую согласованность методики
Количество вещества для количественного определения (испытания с численно задан-
ными пределами): фактическая навеска может отклоняться в пределах 10 % от указанного ко-
личества. Берут точную навеску и все вычисления производят для этого точного количества ве-
щества.
Если пределы испытания заданы не численно, а определяются путем сравнения со стандар-
том при тех же условиях (например, цветность), берут строго указанное количество вещества.
Реактивы берут всегда в строго указанных количествах.
Значения не используют для дальнейших расчетов (массы навесок или объемы): точность
их взятия (отмеривания, отвешивания) должна согласовываться с указанной в фармакопейной
монографии точностью. Точность взвешивания должна быть 5 единиц после последней ука-
занной цифры: указана навеска 0.25 г  следует брать 0.245 - 0.255 г.
Отмеривание объемов: Если после десятичной точки стоит 0 или число, заканчивающееся
на 0 (например, 10.0 мл или 0.50 мл), требуемый объем отмеряют с помощью пипетки, мерной
колбы или бюретки.
В остальных случаях можно использовать градуированный мерный цилиндр или градуиро-
ванную пипетку (т.е. градуированная пипетка не используется для точного отмеривания объе-
ма!).
Микролитры отмеряют с помощью микропипетки или микрошприца.
Некорректность описания методики Если точность, с которой указывают количество
вещества, не соответствует числу значащих цифр при указании конкретного численного преде-
ла, взвешивание и измерение осуществляют с более высокой точностью.
Следствие: желательно всегда делать прогноз неопределенности методики!

9. Оценка неопределенности – выбор статистической модели

В фармацевтическом анализе как правило аналитический сигнал является функцией нескольких
случайных переменных (навеска, объем колбы, площади пиков и т.д.). Возникает проблема, как
оценить неопределенность всей аналитической методики, если известны неопределенности от-
дельных ее составляющих (стадий)?
Если измеряемая на опыте величина y является функцией n независимых случайных величин xi :
y  f ( x1 , x 2 ,...x n ) , (9.1)

и число степеней свободы величин xi одинаковы или достаточно велики (≥ 20-30), то дисперсия
величины y связана с дисперсиями величин xi соотношением (правило распространения неопре-
деленностей):
2 (9.2)
n
 f  2
s   
2
y
  s xi
i 1  xi 
.

Однако на практике степени свободы величин xi обычно невелики и не равны друг другу. Кроме
того, обычно интерес представляют не сами дисперсии (стандартные отклонения), а довери-
тельные интервалы, рассчитать которые по данному уравнению при небольших и неодинаковых
18
степенях свободы невозможно. Поэтому для расчета неопределенности величины y (Δy) предло-
жены различные подходы, среди которых можно выделить два основных: – линейная модель и
подход Уэлча-Сатертуэйта (Welch-Satterthwaite).

9.а. Оценка неопределенности – функция одной переменной

Расчеты доверительных интервалов результатов методик анализа с использованием стандартно-
го отклонения аналитического сигнала применимы лишь в том случае, если измеряемая величи-
на (концентрация, содержание и т. д.) является функцией только одной случайной переменной.
Такая ситуация обычно возникает при использовании Расчетных (абсолютных) методов, в ко-
торых результат получают путем вычислений, основанных на фундаментальных физических
или химических законах. В этом случае неопределенность может быть оценена следующим об-
разом:
Например, для определения потери в массе при высушивании:
Результаты Х1 Х2 Х3 Среднее
определения 1,109 1,251 0,956 1,11
RSD (=SD) 0.1475
(односторонний, Р=95%) 0,25
Такая же ситуация случается, например, при валидации методик в межлабораторном экспери-
менте – потому что результат анализа включает все составляющие погрешности.
Однако во многих случаях получить 5 независимых результатов определения может быть
очень затратным. Например, для приборных хроматографических методов это означает, что
нужно приготовить 5 независимых испытуемых растворов и 5 независимы растворов сравнения,
и затем попарно их проанализировать. (затрата времени + расход стандартного образца!)

9.b. Оценка неопределенности – функция нескольких переменных

В большинстве методик количественного определения фармацевтического анализа используют-
ся Относительные методы – в которых калибровка отклика аналитической системы проводит-
ся по СО с известным содержанием. Следовательно, измеряемая величина является функцией
как минимум, двух случайных переменных — аналитических сигналов (оптическая плотность,
высота или площадь пика и т. д.) испытуемого и стандартного образцов. Кроме того, нередко
возникает проблема прогнозирования неопределенности аналитической методики, состоящей из
нескольких стадий (пробоподготовка - взвешивание, разбавление; конечная аналитическая опе-
рация), каждая из которых является по отношению к другой случайной величиной.

9.b.i. Оценка неопределенности – линейная модель

Если случайные переменные xi статистически независимы, то доверительный интервал функции
Δy связан с доверительными интервалами переменных Δxi соотношением (доверительные ин-
тервалы берутся для одной и той же вероятности):
2 (9.3)
n
 f  2
   
2
y
   xi
i 1  xi 
.

В фармакопейном анализе измеряемая величина y представляет собой обычно произведение или

частное случайных и постоянных величин (масс навесок, разбавлений, оптических плотностей
или площадей пиков и т.д.), т.е. (K- некая константа):

19
 K  x1  x2  ...xm
y (9.4)
xm 1  xm  2  ...xn .

В этом случае выражение для неопределенности принимает вид:

n
2
y,r  2
 
xi , r ,
(9.5)

i 1
где использованы относительные доверительные интервалы.
Данное соотношение применимо при любых (разных) степенях свободы (в том числе и
бесконечных). Его преимуществом является простота и наглядность. Использование абсолют-
ных доверительных интервалов приводит к гораздо более громоздким выражениям, поэтому ре-
комендуется использовать относительные величины.
В том случае, когда число степеней свободы величин xi одинаковы или достаточно вели-
ки (≥ 20-30), данное соотношение принимает вид:
n
  sxi2 , r
2 (9.6)
s y,r .
i 1

9.b.ii. Подход Уэлча — Сатертуэйта

2
В этом подходе дисперсию величины y ( s y ) рассчитывают по соотношению (9.3), не об-

ращая внимания на различие в степенях свободы (i ) величин xi. Для полученной дисперсии s 2y
рассчитывают «эффективное» число степеней свободы eff (обычно является дробным), на осно-
ве которого затем по таблицам для заданной вероятности находят интерполяцией коэффициент
Стьюдента. Далее рассчитывают обычным путем доверительный интервал (Δy).
4
y s
veff  4
.
 f  (9.7)
4
xi
  s
 x
n

i 1
 i

vi
Когда в расчетную формулу входят только произведения/частные (9.4), соотношение (9.7) при-
нимает более простой вид:
4
y ,r s
eff v 
4
. (9.8)
n s

xi , r

i 1 vi

Здесь величина s y ,r4 рассчитывается из соотношения (9.6).

При прогнозе неопределенности анализа используются генеральные величины (с беско-
нечным числом степеней свободы). В этом случае подход Уэлча-Сатертуэйта совпадает с ли-
нейной моделью.
20
 9.b.iii. Сравнение линейной модели и подхода Уэлча — Сатертуэйта

Линейная модель подхода Уэлча — Сатертуэйта

Обычно дает более широкие доверительные Обычно дает более узкие доверительные
интервалы, т.е. более «жесткую» оценку интервалы, т.е. более «мягкую» оценку не-
неопределенности определенности
Вывод: линейная модель может использоваться всегда, но не наоборот
Позволяет сформулировать требования к Неясно, как можно обосновать требования к
максимально допустимой неопределенно- неопределенности фармацевтических испы-
сти практически для всех основных фарма- таний исходя из нелинейной модели
цевтических испытаний исходя из их пред-
назначения
Если при прогнозе неопределенности анализа используются генеральные величины (с
бесконечным числом степеней свободы – например, для метрологически аттестованной
методики), оценки неопределенности по обеим моделям совпадают.
Максимально проста в применении гораздо сложнее в применении
Позволяет выделять и оптимизировать ис- не позволяет выделить так просто неопре-
точники неопределенности от разных опе- деленности разных операций методики
раций методики

9.b.iv. Различия в терминологии VIM/ISO (не фармацевтический сектор) и

ICH/фармакопей (фармацевтический сектор)

Термин/математическое VIM/ISO ICH/фармакопеи

выражение
Точность (accuracy) Объединяет понятия пра- Правильность = точность
вильности (отклонение по- (accuracy = trueness). Озна-
лученного результата от ис- чает только отклонение по-
тинного значения) и преци- лученного результата от ис-
зионности (разброс резуль- тинного. Объединенная ха-
татов) (точ- рактеристика не вводится за
ность=1/неопределенность) ненадобностью
s/n Стандартная неопределен- Стандартное отклонение
ность
t/2,n-1n Расширенная неопределен- Доверительный интервал
ность
t/2,n-1 Коэффициент охвата = 2 Коэффициент Стьюдента
В ISO найденное s из нескольких источников называется комбинированная стандартная
неопределенность
В ISO используются нестатистические (т.е. не основанные на математических законах)
оценки неопределенности. – тип В неопределенности

9.с. Оценка неопределенности – подход руководства EURACHEM/CITAC [10]

EUROCHEM – сеть Европейских организаций, цель которых – создание системы меж-
дународной прослеживаемости результатов химических измерений и продвижение практик над-
лежащего качества.
CITAC ставит своей целью улучшение прослеживаемости результатов химических изме-
рений во всем мире и обеспечение сопоставимости анализов, выполненных в разных странах
и/или в разное время.

21
 Процедура оценки неопределенности измерения может быть представлена как последо-
вательность следующих шагов:
Шаг 1. Подробное описание аналитической методики. Данное описание включает последова-
тельность операций, которые должны быть выполнены, и формулу расчета определяемой ве-
личины с указанием параметров, от которых она зависит.
Шаг 2. Идентификация источников неопределенности.
Шаг 3. Количественная оценка составляющих неопределенности.
Шаг 4. Расчет суммарной стандартной неопределенности.
Оценка неопределенности по типу А. Если составляющая неопределенности была оце-
нена экспериментально из рассеяния результатов повторных измерений, она может быть легко
выражена как стандартное отклонение.
Оценка неопределенности по типу В. Неопределенность, которую оценивают не из экс-
периментальных данных, а из литературных/справочных данных, требований стандартов каче-
ства, сертификатов, спецификаций на оборудование и пр.

Перед объединением все составляющие неопределенности должны быть выражены как

стандартные неопределенности, т.е. в виде стандартных отклонений.
Нормальное распределение. Если неопределенность оценивается экспериментально,
она может быть выражена как стандартное отклонение или как доверительный интервал. Если
доверительный интервал указан с уровнем доверительной вероятности (например, в виде ±а при
95%), для расчета стандартной неопределенности значение а делят на коэффициент нормально-
го распределения, соответствующий уровню доверительной вероятности. Так, для общеприня-
той в аналитической практике вероятности 95% данный коэффициент равен 2, и стандартное
отклонение равно а/2. (предполагается двустороннее распределение!)
Если пределы ±а даны без указания уровня доверительной вероятности, стандартную не-
определенность рассчитывают, исходя из предполагаемого распределения вероятностей, осно-
ванного на опыте или другой информации:
Прямоугольное распределение: Если ожидается, что измеряемая величина с одинако-
вой степенью вероятности может принять любое значение в пределах указанных границ, то
s  a 3 (рекомендуется для оценки температурных эффектов при титровании - ???)
Треугольное распределение. Если ожидается, что измеряемая величина менее вероятно
может принять значение вблизи указанных границ, то s  a 6 (рекомендуется для пересчета
погрешности калибровки мерной посуды - ???)

На заключительном этапе суммарную стандартную неопределенность умножают на вы-

бранный коэффициент охвата для получения расширенной неопределенности (доверительного
интервала).
На практике для уровня доверия 95 % коэффициент охвата рекомендовано принять рав-
ным 2.

В более близком приближении используют распределение Стьюдента при числе эффек-

тивных степеней свободы eff, полученном из формулы Велча-Саттерсвейта. При оценивании
стандартной неопределенности по типу В на основе априорного распределения вероятностей
эффективное число степеней свободы eff → ∞.

Оценка составляющих неопределенности

Стратегия: выяснить, как источники неопределенности связаны с расчетной формулой.

1. Выявляют эффекты, влияющие на неопределенность результатов;

(При помощи диаграммы причина – эффект)
2. Упрощают диаграмму и исключают дублирование.
Анализ источников неопределенности:
1. Записывают уравнение для результата анализа;
22
 (Члены уравнения обычно формируют основные ветви диаграммы. Уравнение дополняют
корректирующими членами).
2. Рассматривают каждый шаг методики и дополняют диаграмму;
3. Диаграмму дополняют до тех пор, пока влияние эффектов на неопределенность результатов
не станет незначимым;
4. Реорганизуют диаграмму;
5. Дополняют уравнение новыми членами.
Реорганизация диаграммы – обычно выполняют следующие действия
 Исключают взаимно компенсирующие эффекты (обычно дублирующие члены присутствуют
в нескольких ветвях);
 Объединяют эффекты из разных ветвей, влияние которых оценивается совместно;
 Проверяют наличие эффектов, названных одинаково, но влияющих различным образом.

В сфере фармации используется прогноз неопределенности, а не ее оценка для конкретного ана-

лиза в конкретной лаборатории. (т.е. используются предельно допустимые по фармакопее зна-
чения неопределенности, а не фактические), Благодаря этому диаграмма упрощается на-
столько, что обычно нет смысла ее создавать.

9.d. Пример анализа источников неопределенности

для фармацевтического анализа
Отметим, что на практике удобно пользоваться следующими следствиями из формулы оценки
неопределенности:
Правило 1. Если в расчетную формулу компоненты входят только в виде суммы/разности
y=(p+q+r+…), результирующая неопределенность есть сумма квадратов абсолютных неопреде-
ленностей компонентов (т.е. выраженных в миллилитрах, граммах и т.д.):
u c ( y( p ,q..))  u( p )2  u( q )2  ....
Правило 2. Если в расчетную формулу компоненты входят только в виде произведе-
ний/частных y  ( p  q  r  ...) , результирующая неопределенность есть сумма квадратов отно-
сительных неопределенностей компонентов (например, в процентах):
2 2
 u( p )   u( q ) 
uc ( y )  y       ....
 p   q 
где: (u(p)/p) и др. – неопределенности параметров, выраженные как относительные стандартные
отклонения или как доверительные интервалы.

23
Обычно источники неопределенности для фармацевтических методик удается сгруппировать в
два основных класса:
- пробоподготовка SP - взятие навесок, использование мерных колб и пипеток, др.
- конечная аналитическая операция FAO - измерения площадей пиков, высот пиков, оптиче-
ской плотности, др.

Пример – типичная расчетная формула:

S1 m 0 5  50 P
X    
S 0 m 1 25  50 100
1 2 3 4
где Р – содержание определяемого вещества в СО, %.

Имеются следующие источники неопределенности:

1. Измерения (конечная аналитическая операция FAO): поскольку в пригодности системы
указываются требования к RSD, неопределенность рассчитывается из числа хроматограмм и
требований к RSD:
RSD  t ( 95 %, n  1)
 КАО  2
n
2 – 3. Пробоподготовка (навески, разведения SP): неопределенность не должна превышать
максимально допустимого значения для весов и мерной посуды:

 Пр  
i
2
Пр , i

4. СО: Неопределенность, связанная с аттестованным значением СО, должна быть незначима –

ее не принимают в расчет.
5. В методике могут присутствовать операции, которые вносят дополнительную неопределен-
ность (Кi), но не отражены в расчетной формуле. Это экстракция, получение химических про-
изводных аналита, степень извлечения и пр. Их вносят в формулу в виде коэффициентов (обыч-
но K = 1) таким образом, как они оказывают влияние на результаты расчета, например:
S1 m 0 5  50 P
X      K 1  K 1 ... K i ...  K n
S 0 m 1 25  50 100
1 2 3 4 5
Отметим, что когда Ki существенно отличается от единицы, то его вносят в расчетную формулу
– например, степень извлечения для методики определения следов субстанции на поверхности
технологического оборудования.

10 Максимально допустимая неопределенность

для базовых операций пробоподготовки
10.а. Неопределенность взятия навески
В ЕФ [11] и ГФУ (2.2.N.2 - Валидация) принято, что для количественных определений (собст-
венно Количественное определение, Растворение и Однородность содержания) при взвешива-
нии неопределенность не должна превышать 0,2 мг.
Пример: берется навеска определяемого вещества 50 мг (номинальное значение, указан-
ное в методике, а не фактическое!). Неопределенность: 0,2/50*100% = 0,4 %.

24
 В АФ формально принят другой подход [12]: неопределенность взвешивания должна со-
ставлять 0,1% для используемой навески. Однако при квалификации аналитических весов [13]
используется тот же критерий – 0,2 мг!

10.b. Неопределенность для волюметрических операций

В ЕФ и ГФУ принято, что для количественных анализов должна использоваться посуда
только 1 класса (классификация ГОСТа) или класса А (стандарт ISO) – данные стандарты гар-
монизованы.
Часто используется посуда стандарта DIN (Германия) – класс AS, который гармонизован
с ISO.
В АФ принято, что должна использоваться посуда 1 класса по стандарту NIST (требова-
ния к максимально допустимой погрешности приведены в АФ [14]). Эти требования к посуде
несколько более жесткие, чем в стандарте ISO.
Неопределенность доведения до объема/взятия аликвоты при рутинном анализе несколь-
ко больше, чем требования к максимально допустимому отклонению от номинального объема
при калибровке посуды. Это связано с тем, что:
- при рутинном анализе: при приготовлении раствора доведение до объема/отмеривание алик-
воты делается один раз
- при калибровке/верификации посуды: объем измеряется несколько раз и используется среднее
значение + это ответственный анализ, делается с особой тщательностью

10.b.i. Мерные колбы – рутинное выполнение анализа

и калибровка/верификация
В ЕФ [11] и ГФУ (2.2.N.2 - Валидация) приведены ориентировочные значения неопределенно-
сти для мерных колб при рутинном выполнении анализа (дано сравнение с требованиями при
калибровке).

Допустимое отклонение от номинального объема для мерных колб при рутинном выполне-
нии анализа
Объем колбы Неопределенность, мл Неопределенность, % (Δb)
10 мл 0.05 0.50
20 мл* 0.057 0.28
25 мл 0.0575 0.23
50 мл 0.085 0.17
100 мл 0.12 0.12
200 мл* 0.2 0.1
250 мл 0.2 0.08
500 мл 0.35 0.07
1000 мл 0,5 0,05
* - предложено для введения в ГФУ (Фармаком 2014 г).
Допустимое отклонение от номинального объема для мерных колб с узкой горловиной
при калибровке/поверке (ISO/ГОСТ)

Номиналь- Внутренний Пределы допускаемой погрешности

ный объём, диаметр гор- класс A класс B
мл ловины, мм  мл %  мл %
1 7+1 0.025 2.5 0.050 5
2 7+1 0.025 1.25 0.050 2.5
5 7+1 0.025 0.5 0.050 1
25
 Номиналь- Внутренний Пределы допускаемой погрешности
ный объём, диаметр гор- класс A класс B
мл ловины, мм  мл %  мл %
10 7+1 0.025 0.25 0.050 0.5
20 9+1 0.040 0.2 0.080 0.4
25 9+1 0.040 0.16 0.080 0.32
50 11+1 0.060 0.12 0.120 0.24
100 13+1 0.100 0.1 0.200 0.2
200 15,5+1,5 0.150 0.075 0.300 0.15
250 15,5+1,5 0.150 0.06 0.300 0.12
500 19+2 0.250 0.05 0.500 0.1
1000 23+2 0.400 0.04 0.800 0.08
2000 27,5+2,5 0.600 0.03 1.200 0.06
5000 38+3 1.200 0.024 2.400 0.048

Допустимое отклонение от номинального объема для мерных колб с широкой горлови-

ной (ISO/ГОСТ)
Внутренний диа- Пределы допускаемой погрешности
Номинальный
метр горловины, класс A класс B
объём, мл
мм  мл %  мл %
5 9+1 0.040 0.8 0.080 1.6
10 9+1 0.040 0.4 0.080 0.8
20 11+1 0.060 0.3 0.120 0.6
25 11+1 0.060 0.24 0.120 0.48
50 13+1 0.100 0.2 0.200 0.4
100 13+1 0.1 0.1 0.15 0.15
1000 27.5+2.5 0.600 0.06 1.200 0.12
Вывод: колбы с широкой горловиной не могут использоваться в фармацевтическом анализе.

10.b.ii. Пипетки, бюретки - калибровка/верификация

Указанные требования более жесткие, чем оценка неопределенности при рутинном выполнении
анализа.
Допустимое отклонение от номинального объема пипеток с одной меткой (ISO/ГОСТ)
Предел допускаемой погрешности
Номинальная класс А класс В
вместимость % %
+мл +мл
к полному объему к полному объему
0.5 0.005 1 0.01 2
1 0.008 0.8 0.015 1.5
2 0.01 0.5 0.02 1
5 0.015 0.3 0.03 0.6
10 0.02 0.2 0.04 0.4
20 0.03 0.15 0.06 0.3
25 0.03 0.12 0.06 0.24
50 0.05 0.1 0.1 0.2
100 0.08 0.08 0.15 0.15
200 0.1 0.05 0.2 0.1

26
 Допустимое отклонение от номинального объема градуированных пипеток (ISO/ГОСТ)

Пределы допускаемой погрешности

Цена
Номинальная Класс А и AS Класс В
наименьше-
вместимость
го деления % %
(мл)
(мл) + мл к полному + мл к полному
объему объему
0.1 0.01 0.006 6 0.01 10
0.2 0.01 0.006 3 0.01 5
0.5 0.01 0.006 1.2 0.01 2
0.01 0.007 0.7 0.01 1
1
0.10 0.007 0.7 0.01 1
0.02 0.010 0.5 0.02 1
2
0.10 0.010 0.5 0.02 1
0.05 0.030 0.6 0.05 1
5
0.10 0.030 0.6 0.05 1
10 0.1 0.05 0.5 0.1 1
20 0.1 0.1 0.5 0.2 1
0.1 0.1 0.4 0.2 0.8
25
0.2 0.1 0.4 0.2 0.8

Допустимое отклонение от номинального объема бюреток (ISO/ГОСТ)

Пределы допускаемой погрешности
Класс А Класс В
Номинальная Цена наимень-
%
вместимость шего деления %
к полно-
(мл) (мл)  мл к полному  мл
му объе-
объему
му
1 0.01 0.01 1 0.02 2
2 0.01 0.01 0.5 0.02 1
5 0.02 0.01 0.2 0.02 0.4
10 0.02 0.02 0.2 0.05 0.5
0.05 0.02 0.2 0.05 0.5
25 0.05 0.03 0.12 0.05 0.2
0.1 0.05 0.2 0.1 0.4
50 0.1 0.05 0.1 0.1 0.2
100 0.2 0.1 0.1 0.2 0.2

Максимально допустимое отклонение от номинального объема при работе с пипетками

(проект ГФУ 2 изд)
Пипетки с одной меткой (Мора) Пипетки градуированные
Объем, мл Неопределенность Объем, мл Неопределенность
мл % мл %
1 0.010 1.0 0.5 0.006 1.2
2 0.012 0.60 1 0.007 0.70
5 0.019 0.38 2 0.012 0.60
10 0.025 0.25 5 0.037 0.74
20 0.036 0.18 10 0.061 0.61
25 0.038 0.15 25 0.123 0.49
50 0.060 0.12

27
 11. Оптимизация источников неопределенности
и числа параллельных определений
11.а. Приборные Хроматографические методы
Специфика хроматографических методов («классический» вариант хроматографа):
- основное время анализа занимает хроматографирование
- используются относительно высокие концентрации, поэтому пробоподготовка часто макси-
мально простая (навеску растворяют в мерной колбе)
- RSD сильно зависит от текущего состояния прибора (при этом от многих факторов), поэтому
FAO желательно рассчитывать из текущих результатов анализа.

Концепция:
- поскольку пробоподготовка легко поддается оптимизации, желательно, что бы неопределен-
ность пробоподготовки была незначима по сравнению с максимально допустимой неопреде-
ленностью анализа (As), т.е. что бы выполнялось соотношение:
 SP  0.32   As
- тогда погрешностью пробоподготовки можно пренебречь, неопределенность конечной анали-
тической операции может равняться максимально допустимой неопределенности, т.е. должно
выполняться неравенство:
 FAO   As
Данный подход не используется для метода добавок (анализ равновесной паровой фазы), кото-
рый имеет свою ярко выраженную специфику.

11.a.i. Подход Европейской фармакопеи

(общая статья "2.2.46. Методы хроматографического разделения")

Текст ЕФ: «Для количественного определения в фармацевтической субстанции (для ко-

торой при отсутствии примесей содержание действующего вещества должно быть равно
100 %), максимально допустимое RSD (sr(%)max) для указанных в монографии допусков содер-
жания рассчитывают для серии инжекций раствора сравнения по следующему уравнению:
K B n
sr (%) max 
t90%,n1
K = 0.6 t90%,5
константа (0.349), рассчитанная из выражения K   , в котором
2 6
0.6
множитель представляет собой требуемое значение RSD после 6 инжек-
2
ций для B = 1.0;
B = верхний допуск содержания, указанный в разделе «ОПРЕДЕЛЕНИЕ»
(DEFINITION), подпункт «Содержание» (Content) в индивидуальной моно-
графии, минус 100 %;
n = число параллельных инжекций раствора сравнения (3 ≤ n ≤ 6);
t90%,n−1 = коэффициент Стьюдента t для вероятности 90 % (двусторонний) с числом
степеней свободы n−1.
Если не предписано иного, максимально допустимое RSD не должно превышать соответствую-
щего значения, указанного в таблице 2.2.46.-1. Данное требование не применимо для определе-
ния сопутствующих примесей.

28
 Таблица 2.2.46.-1. – требования к сходимости
Число параллельных инжекций
3 4 5 6
B (в процентах) Максимально допустимое RSD
2.0 0.41 0.59 0.73 0.85
2.5 0.52 0.74 0.92 1.06
3.0 0.62 0.89 1.10 1.27
Соответствие требованиям к пригодности системы требуется на протяжении всего анали-
за. В зависимости от различных факторов, таких как частота использования методики и знание
хроматографической системы, для мониторинга этого аналитик выбирает соответствующую
схему верификации».
Отметим, что ЕФ для анализа субстанций не допускает получения 2 параллельных хро-
матограмм.
Данный подход был разработан для титрования [15]. Он предполагал стандартно 3 парал-
лельных определения, но допускалось, в зависимости от реальной сходимости результатов ана-
лиза, как меньше параллельных (не менее 2), так и больше (но не более 6).
Для того, чтобы обеспечить тот же уровень доверительной вероятности при выполнении
6
числа параллельных измерений, меньшего 6, значение RSDmax делится на коэффициент и
t 90 %, 5
n
умножается на коэффициент . (Используется двусторонний коэффициент Стьюдента).
t 90 %, n  1
Учитывая наличие двух растворов, которые при нормальной работе должны давать при-
мерно одинаковые погрешности, в формулу был добавлен коэффициент 2.
Данный подход был некорректно перенесен на хроматографические методы [16, 17]. Не-
правомерно использовать коэффициент 0.6, полученный для трех параллельных определений
для титрования, для шести параллельных определений в хроматографии.
В результате неопределенность конечной аналитической операции для хроматографиче-
ских методов в 2 раза меньше, чем максимально допустимая неопределенность результатов
анализа!
t90 %, n 1  RSD max 0.6  t90 %, 5
 FAO  2    B  0.49  B а заявлено  FAO  B !
n 6
Однако это означает, что неопределенность пробоподготовки может быть значимой, и в
целом результат будет корректным!
Данный подход вызывал бурные дебаты, т.к. значительно ужесточает требования к мак-
симально допустимому RSD, или обязывает использовать большое число параллельных хрома-
тограмм.
Оценим, какой может быть максимально допустимый вклад неопределенности пробопод-
готовки при данном подходе по линейной модели:

 Sp  2As  2FAO ;  Sp  12  0.492 ;  Sp  0.87   As

Т.е. неопределенность пробоподготовки может составлять бóльшую часть As!

29
 11.a.ii. Оптимизация минимально допустимого числа
параллельных хроматограмм – подход ГФУ
Неопределенность конечной аналитической операции оценивают по формуле:
RSDmax  t95%,n1
 FAO  2 
n
В соответствии с принятой концепцией:
RSDmax  t95%,n 1  As  n 0 .71   As  n
2   As , то есть: RSD max   тогда:
n 2  t 95 %, n 1 t 95 %, n 1
n 2 3 4 5 6 7 8

RSDmax (%)

BH – 100 % Субстанции
1 0.16 0.42 0.60 0.74 0.86 0.96 1.06
1.5 0.24 0.63 0.90 1.11 1.29 1.44 1.58
2 0.32 0.84 1.20 1.48 1.72 1.93 2.11
3 0.48 1.26 1.80 2.23 2.58 2.89 3.17
BH  BL
%
2 Готовые лекарственные средства
5 0.25 0.67 0.96 1.19 1.38 1.54 1.69
7.5 0.38 1.01 1.44 1.78 2.06 2.31 2.53
10 0.51 1.34 1.92 2.37 2.75 3.08 3.38
15 0.76 2.01 2.88 3.56 4.13 4.62 5.07
20 1.01 2.68 3.85 4.75 5.50 6.16 6.76

11.b. Спектрофотометрия
(одноволновая, метод стандартного образца)
Основные виды анализа в фармации:
- метод показателя поглощения,
- метод стандарта,
- метод внешнего стандарта
- многоволновой спектрофотометрический анализ

Концепция: Неопределенность, связанная с измерением оптической плотности, не является

главной в одноволновом спектрофотометрическом анализе – обычно главной является неопре-
деленность пробоподготовки.
Пример – таблетки ранитидина в USP: допуски содержания ± 5 %; делают 3 последовательных
разведения для испытуемого раствора и раствора сравнения
As = 1.6 %; прогнозируемое значение SP = 1.27 %! Тем не менее, методика метрологически
корректна (см. далее).

ГФУ регламентирует для измерений с выниманием кюветы:

- число параллельных измерений не менее 3
- требования к RSD с выниманием кюветы (по результатам ППТ) [18, 19, 20]
30
 Квалификация спектрофотометра: RSD  0.25%
Прогноз неопределенности: RSD  0.52%
Можно оценить, какая будет для данного подхода максимально допустимая неопределенность
пробоподготовки (SP). Количественное определение методом СФ используется в основном для
ГЛС (не для субстанций). Тогда «наихудшим случаем» будут допуски ± 5 %.
t (95%, f  )  S 1.64  0.52
 As  5  0.32  1.6% ;  FAO    0.49 ;
n 3
SP  2As  2FAO  1.62  0.492  1.52%
Как можно видеть, при данном подходе неопределенность конечной аналитической операции
(FAO) незначима по отношению к FAO, и  SP   As .

11.с. Титриметрические методы анализа

Специфика титрования: невозможно выделить в чистом виде неопределенность пробоподго-
товки, поскольку в эксперименте получают величину V/m. В данном случае погрешность про-
боподготовки – это оцененная экспериментально в процессе валидации, одновременно со слу-
чайной составляющей конечной аналитической операции.

Главным отличием объемных методов титрования при анализе субстанций является сущест-
венное влияние систематической погрешности, и одновременно очень высокая прецизионность.
Поэтому может быть использована следующая концепция:
- Систематическая составляющая неопределенности должна составлять не более чем 2/3 от ΔAs;
- Случайная составляющая неопределенности должна составлять не более чем 1/3 от ΔAs.

Для ГЛС, для которых требования к ΔAs более мягкие по сравнению с субстанциями, может вы-
полняться требование к незначимости систематической составляющей погрешности. В этом
случае требования к минимальной сходимости, рассчитанные исходя из допусков содержания,
могут быть настолько «мягкими», что приходят в противоречие с обычной лабораторной прак-
тикой. Тогда требования к сходимости необходимо устанавливать исходя из результатов вали-
дации или требований обычной аналитической практики (см. рутинный контроль качества).

Минимальные требованиям к неопределенности результатов, полученных с

использованием основных титриметрических методов для субстанций (ЕФ, Technical
Guide for the Elaboration of Monographs – доступен в интернете):

Допуски RSDmax  Систематическая

Метод титрования погрешность
содержания  n=5
Кислотно-основное ±1% 0.33 ± 0.67 %
Титрование в неводных растворителях ±1% 0.33 ± 0.67 %
Титрование кислот, связанных с основанием ±1% 0.33 ± 0.67 %
Окислительно-восстановительное ± 1.5 % 0.5 ± 1.0 %
Аргентометрическое ± 1.5 % 0.5 ± 1.0 %
Комплексометрическое ± 2.0 % 0.67 ± 1.5 %

Заключение к разделу 11. Методика остается корректной при любом соотношении FAO и SP
при выполнении требования:  As   MAX . В случае необходимости корректируют требования к
пробоподготовке или конечной аналитической операции исходя из соотношения
 As  2SP  2FAO .

31
 12. Примеры оценки неопределенности – линейная модель
12.a. Оценка неопределенности для метода внутреннего стандарта

Количественное определение методом ВЭЖХ с использованием внутреннего стандарта в

креме кетоконазола (± 5 %)
Для того, что бы избавиться от вспомогательных веществ, раствор охлаждают. При этом обра-
зуются две фазы: твердая (вспомогательные вещества) и жидкая (анализируемый раствор). Ус-
тановить его точный объем сложно, поэтому используется внутренний стандарт, по которому
фактически вычисляется точный объем.

Методика.
Испытуемый раствор. 0,5 г препарата помещают в герметично закрывающуюся емкость
вместимостью 100 мл, прибавляют 50 мл подвижной фазы, закрывают и интенсивно встряхива-
ют. Прибавляют пипеткой с одной меткой 10.0 мл внутреннего стандарта и 40 мл подвижной
фазы. Емкость закрывают, перемешивают, охлаждают, затем раствор холодным фильтруют.
Раствор сравнения. 0,10 г СО кетоконазола помещают в мерную колбу 100 мл, раство-
ряют в 50 мл подвижной фазы, доводят объем раствора подвижной фазой до метки.
10.0 мл полученного раствора при помощи пипетки с одной меткой помещают в
мерную колбу 100 мл, прибавляют пипеткой с одной меткой 10.0 мл внутреннего стандарта,
доводят объем раствора подвижной фазой до метки.
Содержание кетоконазола (Х) в 1 г препарата:
B  m 0  100  10  P  1000 B1  m 0  P
X 1  ,
B 0  m1  100  100  100 B 0  m1
где: B0 – среднее значение отношений площади пика кетоконазола к площади пика
внутреннего стандарта из хроматограмм раствора сравнения;
B1 – среднее значение отношений площади пика кетоконазола к площади пика
внутреннего стандарта из хроматограмм испытуемого раствора;
m0 – масса навески СО кетоконазола, в граммах;
m1 – масса навески препарата, в граммах;
P – содержание кетоконазола в СО, %

Оценка прогнозируемого значения неопределенности пробоподготовки

Операция пробоподготовки неопределенность, %

Испытуемый раствор
1. Навеска препарата =0.2/500100%=0.04
2. Взятие аликвоты раствора внутреннего 0.25
стандарта пипеткой 10 мл (с одной меткой)

Раствор Сравнения
3. Навеска =0.2/100100%=0.2
4. доведение до объема 100 мл 0.12
5. Взятие аликвоты раствора пипеткой 0.25
10 мл
6. Взятие аликвоты раствора внутреннего 0.25
стандарта пипеткой 10 мл
7. доведение до объема 100 мл 0.12
 Sp  0.04  0.25  0.12  0.25  0.25  0.122  0.47% .
2 2 2 2 2

Критерий:  Sp  0 . 32   As ;  As  B  0 . 32 ;  Sp  0 . 32  0 . 32  5 % ;  Sp  0 . 51 % .
Заключение: вклад пробоподготовки незначим.

32
 12.b. Оптимизация компонентов неопределенности
– вклад пробоподготовки значим

Количественное определение методом ВЭЖХ оксиметазолина в спрее назальном (± 5 %)

В данном случае в раствор сравнения входит СО оксиметазолина (твердое вещество) и СО бен-
залкония (раствор с аттестованным значением содержания и значением плотности при 20 оС) в
концентрациях, как в испытуемом растворе. В связи с этим не удалось добиться незначимости
пробоподготовки.
Методика. Для взятия аликвот используют пипетки с одной меткой.
Испытуемый раствор. 5 мл препарата помещают в мерную колбу 50 мл, доводят объ-
ем до метки.
Раствор сравнения. Около 100 мг ФСО ГФУ оксиметазолина гидрохлорида помещают в
мерную колбу 100 мл, растворяют и доводят растворителем до метки (промежуточный рас-
твор сравнения оксиметазолина).
Около 1,1 мл раствора ФСО ГФУ бензалкония хлорида (точная навеска - !) с содержа-
нием гомологов [С6Н5СН2N(CH3)2R]Cl 18,2 мг/мл (эквивалентно около 20 мг
[С6Н5СН2N(CH3)2R]Cl) помещают в мерную колбу 50 мл, доводят объем раствора растворите-
лем до метки (промежуточный раствор сравнения бензалкония).
1 мл промежуточного раствора сравнения оксиметазолина и 5 мл промежуточного
раствора сравнения бензалкония помещают в мерную колбу 100 мл, доводят объем раствора
растворителем до метки.
Содержание оксиметазолина г/х (Х1), в 1 мл препарата, в миллиграммах:
m01  S1  P  1  50 m S P
X1   01 1
S 0  100  100  100  5 S 0  100000
где m01 - масса навески ФСО ГФУ оксиметазолина гидрохлорида, в мг
Р - содержание оксиметазолина гидрохлорида в ФСО ГФУ, %
S1 - средняя площадь пика оксиметазолина гидрохлорида для испытуемого
раствора
S0 - средняя площадь пика оксиметазолина гидрохлорида для раствора срав-
нения

Оценка прогнозируемого значения неопределенности пробоподготовки

Операция пробоподготовки неопределенность, %

Испытуемый раствор
1. Взятие аликвоты препарата пипеткой 0.38
5 мл
2. доведение до объема 100 мл 0.12

Раствор Сравнения
3. Навеска =0.2/100100%=0.2
4. доведение до объема 100 мл 0.12
5. Взятие аликвоты раствора пипеткой 1 мл 1.0
6. Доведение до объема 100 мл 0.12
 SP  0.382  0.12 2  0.2 2  0.12 2  1.0 2  0.12 2  1.11% .
Критерий:  Sp   As  0.32 ,  As  0.32  1.6  0.32  0.51 % ,  Sp  0.51% .
Заключение: вклад пробоподготовки значим.

33
 Диаграмма вклада операций
пробоподготовки

1.2

1
неопределенность,%

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6
№ операции пробоподготовки

В связи с этим корректируют (ужесточают) требования к неопределенности FAO:

 As _ Corrected   FAO  2As  2SР ;  FAO  1.6 2  0.92 2  1.16 ;
Тогда требования к сходимости (RSDmax) в зависимости от числа параллельных хроматограмм
(n):
 FAO  n 1.32 %  n
RSDmax   , то есть
2  t (95%, n  1) 2  t (95%, n  1)
Исходные требо-
n t(95%,n-1) RSDmax, % вания ГФУ
2 6.3138 0.184 0.25
3 2.92 0.49 0.67
4 2.3534 0.70 0.96
5 2.1318
0.86 1.19
Как можно видеть, при этом требования к RSDmax изменились не очень сильно.

12.c. Неопределенность пробоподготовки

необходимо изучать экспериментально
Такая ситуация характерна, когда в пробоподготовке присутствуют операции, для которых не-
определенность невозможно прогнозировать, а только необходимо изучать экспериментально:
например, экстракция, получение производных (характерно для аминокислот), извлечение ос-
татков с поверхностей технологического оборудования и т.д.

Пример: Количественное определение методом ВЭЖХ лизина г/х в витаминном препарате

с получением динитрофенольного производного (допуски содержания ± 10 %)

Расчетная формула:
S  m0 10  50  50  P  b
X
S 0  50  50  m 10 100
34
С учетом этапа пробоподготовки – получения производного – может быть выражена как:
S  m0 10  50  50  P  b
X  K; K 1
S 0  50  50  m 10 100
где К – коэффициент, учитывающий вклад в неопределенность, связанную с варьированием
протекания реакции.

Методология:
Статистическими средствами из результатов анализа возможно выделить варьирование, связан-
ное с операцией пробоподготовки – получение производного. (Например, методом ANOVA –
Analysis of Variations - дисперсионный анализ). Однако что бы оценка варьирования была стати-
стически значима, может потребоваться большое число анализов. Например, при аттестации СО
для статистически значимого выделения дисперсии, связанной с неоднородностью материала,
требуется проанализировать от 11 до 90 проб СО (!) [21]).
С другой стороны, если суммарная неопределенность результата анализа не превышает
As, то и любая ее составляющая находится в приемлемых пределах.
Фактическое значение неопределенности может быть оценено из результатов валидации.
Условие: Требования к валидационным характеристикам должны быть увязаны с требованиями
к As.

13. Установление внутренних допусков содержания (внутренние специфика-

ции предприятия)
В соответствии с фармакопейной концепцией принятия решения о качестве для фактического
содержания вещества в лекарственном средстве существует диапазон концентраций, для кото-
рого при корректной работе лаборатории:
Содержание действующего вещества, %
< 94,4… 95,0 …96,6 …100… 103,4… 105,0 …106,6 >
94,4 106,6
Допуски содержания

Максимально допустимая неопределен-

ность результатов анализа

«белая
зона»
«серая зона»

«черная зона»

- «белая зона»: всегда должно быть принято положительное заключение о качестве

- «черная зона»: всегда должно быть принято отрицательное заключение о качестве
- «серая зона»: в святи с неопределенностью результатов анализа может быть принято как по-
ложительное, так и отрицательное заключение о качестве.

35
Если фактическое содержание действующего вещества находится слишком близко к допускам
содержания по спецификации, возникает риск забраковки препарата при проведении анализа в
другой лаборатории.
В связи с этим производитель заинтересован, что бы фактическое содержание обеспечивало не-
обходимую гарантию подтверждения качества препарата при последующем анализе.
Это обеспечивается т.н. Внутренними спецификациями, которые устанавливает производитель
для препарата при его выпуске.

13.а. Количественное определение – готовые лекарственные формы

Для ГЛС количественное определение характеризует реальное содержание действующего веще-
ства. Для положительного заключения о качестве при анализе в другой лаборатории должно вы-
полняться соотношение:
 B   As  X As   B   As

13.b. Количественное определение – субстанции

Как было показано выше, количественное определение для субстанций (большинства)
играет роль подлинности. Поэтому есть смысл устанавливать внутренние спецификации не для
количественного определения, а для содержания примесей.
Примести в субстанциях подразделяются на:
- технологические: они не накапливаются в процессе хранения: как правило они не контроли-
руются в ГЛС
- продукты деградации: они могут накапливаться в процессе хранения и должны обязательно
контролироваться в ГЛС
Технологические примеси. Есть смысл устанавливать внутренние спецификации:
1. При закупке - во избежание неоднозначного заключения о качестве субстанции.
2. Технологические примеси в некоторых случаях контролируются в ГЛС - во избежание неод-
нозначного заключения о качестве ГЛС.
При закупке субстанции должны выполняться минимальные требования:
X Іmр  LimІmp   Іmp
Продукты деградации. Для них требования при закупке субстанции могут быть более
жесткими. Необходимо основываться на допусках содержания примесей в ГЛС и на данных ва-
лидации о накоплении примесей в процессе хранения.
При закупке субстанции должны выполняться минимальные требования:
X Іmр  LimІmpРrep   Іmp   Storage 
К сожалению, это реализуемо только для приборных (количественных) методов определения
содержания примесей.

36
 13.c. Количественные тесты: Однородность содержания (ЕФ 2.9.6) и
Растворение для твердых дозированных форм (ЕФ 2.9.3)

2.9.6 ТЕСТ «ОДНОРОДНОСТЬ СОДЕРЖАНИЯ ДЕЙСТВУЮЩЕГО ВЕЩЕСТВА В

ЕДИНИЦЕ ДОЗИРОВАННОГО ЛЕКАРСТВЕННОГО СРЕДСТВА» [22]

Ста- Регламентируемые параметры

дия Количество еди- RSD%* Содержание действующего вещества (ДВ)
испы- ниц ЛС, прини-
тания маемых в расчет
(N)
I 10 6% Содержание ДВ во всех единицах ЛС должно
быть 85-115% от номинального содержания
II 10 + 20 дополни-  7.8 % 75-125% для одной единицы из первых 10 ед.
тельно ЛС,
85-115% для всех дополнительных 20 единиц
ЛС
*нормировалось ранее в АФ

Предназначение испытания: с использованием статистика Фишера по результатом анализа

выборки (10 – минимальная достаточно надежная выборка, 30 – очень представительная выбор-
ка) подтвердить, что для всей произведенной серии RSD ≤ 10% (чем больше выборка, тем ближе
критерий к 10%).
Максимально допустимые отклонения соответствуют критериям «2 » и «3 ».

Новая статья 2.9.6 (гармонизованная между ЕФ и АФ процедура) - учитывает отклонение

номинального содержания или фактического среднего содержания от 100 % (введение «прие-
мочного числа»). Принципы нормирования – те же.

Если при анализе один раз получили положительный результат, то это не гарантирует,
что при повторном испытании будет получен то же положительный результат (т.е. в контроль-
ной лаборатории препарат могут забраковать).
Можно рассчитать, какими должны быть RSD на каждом этапе, чтобы требования теста
выполнялись с какой-то гарантией всегда («гарантирующие» RSDguar).

RSD, гарантирующие соответствие по пределам

По правилу умножения вероятностей - какими должны быть RSD(10) и RSD(30), чтобы
требования по соответствию пределам выполнялись с вероятностью ≥ 0.95 %:

Стадия I. Если р – необходимая доля единиц ЛС, содержание в которых должно находиться в
пределах 85-115% от номинального значения, то должно выполняться соотношение р10  0.95,
откуда р  0.995. Такая вероятность соответствует коэффициенту Стьюдента t(99.5%, 9)  3.69,
откуда RSDguar(10)  15/3.69 = 4.07%.

Стадия II. Аналогично, должно быть р20  0.95. Отсюда р  0.9974. Это соответствует коэффи-
циенту Стьюдента t(99.74%, 29)  3.31, откуда RSDguar(30)  15/3.31 = 4.53%.

Требования к максимально допустимой неопределенности методики анализа

Используя двухстороннее распределение Стьюдента (t95%,,9 = 2.262, t95%,,29 = 2.045) и «га-
рантирующие» RSD , получим, что полуширины доверительных интервалов, в которых нахо-
дятся 95% индивидуальных содержаний в единицах дозированного ЛС, должны быть равны:
Стадия І: 4.07* 2.262 = 9.21%.
Стадия ІІ: 4.53*2.045 = 9.26%, т.е. то же самое.
37
В соответствии с принципом незначимости, доверительный интервал (с вероятностью
95%) As для результатов методики анализа каждой единицы дозированного ЛС при про-
ведении теста "Однородность дозирования" должен удовлетворять требованиям:
 As  0 . 32  9 . 2  3 . 0 % .

2.9.3. "ТЕСТ “РАСТВОРЕНИЕ” ДЛЯ ТВЕРДЫХ ДОЗИРОВАННЫХ ФОРМ

Уро- Количество испы- Критерии приемлемости степени растворения (G, в %

вень туемых дозирован- к номинальному значению содержания растворяемого
ных единиц компонента)*

S1 6 Не менее Q+5 % для каждой из n1 = 6 единиц

S2 6 Среднее значение для n2 = 12 единиц (S1+S2) равно или

больше Q и нет ни одной единицы менее Q-15 %

S3 12 Среднее значение для n3 = 24 единиц (S1+S2+S3) равно или

больше Q, не более 2 единиц имеют степень растворения
менее Q-15 %, и нет ни одной единицы менее Q-25 %.
*
Q – регламентируемое по аналитической нормативной документации (АНД) значение степени
растворения, в процентах к номинальному значению содержания растворяемого компонента.

Требования к степени растворения совпадают с требованиями по однородности содержа-

ния. Для уровней S2 и S3 предполагается, что более 95% всех дозированных единиц имеют сте-
пень растворения выше Q-15% ( 2 с учетом распределения Стьюдента) и более 99.6% имеют
степень растворения выше Q-25% ( 3 с учетом распределения Стьюдента). Идеология же
уровня S1, в силу малой выборки, существенно отличается от идеологии уровней S2 и S3.
Требования к тесту "Растворения" являются менее жесткими за счет дополнительной (к
неоднородности содержания) неоднородности растворения. В частности, при степени растворе-
ния, равной 100%, требования к тесту "Растворение" должны автоматически переходить в тре-
бования теста "Однородность дозирования". Поэтому целесообразно установить требования к
As как для теста "Однородность содержания".

Гарантия качества при повторном выполнении анализа

 Фармакопейные требования – требования при приемке продукции (требования контролера, в
т.ч. в другой лаборатории!)
 Производитель – заинтересован обеспечить выполнение этих требований с какой-то высокой
вероятностью (при выполнении анализа в другой лаборатории)

По правилу сложения и умножения вероятностей можно рассчитать [23]:

Прямая задача (рутинный анализ): по полученным фактическим результатам – вероятность про-
хождения в другой лаборатории;
Обратная задача (разработка АНД): исходя из полученных фактических результатов оценить то
предельное Q, которое можно ввести в АНД, не опасаясь забраковки препарата по тесту на рас-
творение в контрольных лабораториях.

Проблема: расчеты достаточно громоздкие, желательно иметь специализированное программ-

ное обеспечение

38
 14. Пригодность аналитической системы и
Рутинный контроль качества результатов анализа
Пригодность аналитической системы должна контролироваться при каждом анализе и на
протяжении всего анализа.
Предназначение: контролирует источники неопределенности, которые присутствуют всегда
(случайная составляющая варьирования), и которые с большой вероятностью могут появиться в
процессе анализа и оказать критическое влияние на результаты.

Рутинный контроль качества может проводиться с периодичностью 1раз на 20 анализов

[25], т.е. 95% контроль считается достаточным. ГОСТ [24]: Проводится не реже одного раза в
три месяца, а лучше один раз на 20 анализов
Предназначение: для подтверждения того, что источники неопределенности, которые контро-
лируются другими процедурами (квалификация оборудования, верификация посуды, обучение
аналитика и т.д.), соответствуют установленным критериям.

Пригодность аналитической системы – что контролируется

Контроль сходимости: практически всегда. Когда все другие источники неопределенности
известны и контролируются (другими элементами метрологического контроля!), то сходимость
непосредственно характеризует неопределенность результата анализа.
Контроль правильности: где есть необходимость – включается непосредственно в методику.
Контроль других метрологических характеристик (обоснованно!). Для длительных анализов
– Растворение, Однородность содержания – в последовательность анализа вводят образцы кон-
троля качества – контроль стабильности аналитического сигнала и стабильности образцов.

Мероприятия контроля качества [25]:

Используются следующие схемы QC:
1) Выполнение холостых опытов/образцов плацебо:
Вклад аналитического сигнала от «плацебо» должен быть незначим по сравнению с As
2) Анализ образцов добавок к матрице
Различие между введенным количеством и найденным не должно превышать As
3) Анализ образцов - дубликатов или образцов - дубликатов добавок к матрице
Для результатов анализа двух образцов должно выполняться соотноше-
 X  X 2  100%    2 . Данный коэффициент (2) вводится потому, что мы не зна-
ние: 1 As
X
ем истинное значение для результата анализа, и предполагаем одинаковую неопределен-
ность для обеих результатов, которая для каждого должна быть не более As
Условие – образцы должны быть достаточно однородны
4) Анализ образцов контроля качества
Для данного образца установлено аттестованное значение XRS (RS должна быть незначи-
ма по отношению к As), и подтверждена однородность и стабильность. Различие между
XRS и найденным (% по отношению к XRS) не должно превышать As
5) Анализ стандартов для верификации калибровки
В более широком смысле – подтверждение пригодности аналитической системы в про-
цессе анализа
6) Использование контрольных карт правильности и прецизионности

Иногда используются другие контролирующие процедуры QC:

 Повторный анализ
Требования как для п.3 выше
 Повторный анализ архивных образцов
Требования как для п.3 выше. Образцы должны быть не только однородны, но и стабильны
 Корреляция
39
Корреляция используется для оценки взаимосвязанных характеристик образца.
Если найденное значение для одного из показателей качества взаимосвязано с найденным зна-
чением для другого или вообще один результат обусловлен другим.
Любое отклонение, такое как отсутствие ожидаемых характеристик или внезапное появление
ранее ненаблюдаемых характеристик образца, сигнализирует о вероятной ошибке (например,
заниженный результат количественного определения и отсутствие существенного содержания
примесей/растворителей)

Другие статистические процедуры, используемые для оценки результатов контроля качества:

- Статистический контроль процесса
- Оценка выбросов и систематических смещений

Уровень проведенного контроля качества результатов испытаний должен оцениваться на

его адекватность

КАК УСТАНОВИТЬ ТРЕБОВАНИЯ ДЛЯ РУТИННОГО КОНТРОЛЯ?

Два подхода к выработке критериев:
1 Из допусков содержания / фармакопейных требований
2. Из обычной аналитической практики (из результатов валидации, мониторинг рутинных ана-
лизов – контрольные карты, ППТ)

Пример 1. Для принятия надежного решения о качестве лекарственного средства неопределен-

ность результата потери в массе при высушивании (LoD) должна составлять не более 0,32 от
предельно допустимого содержания влаги. Для содержания влаги 0.2 % соответственно:
LoD ≤ 0,32  0,2 %; LoD ≤ 0.064 %.
Данное требование достаточно жесткое, но легко достижимое на практике [26].
При выполнении рутинного анализа необходимо контролировать неопределенность, поскольку
небрежное выполнение анализа легко может легко приводить к завышенной неопределенности.

Пример 2. Результаты валидации методики количественного определения глутаргина в

растворе д/и.
Для допусков содержания ± 5 % требования: ΔAs ≤ 1.6 %; Random ≤ ΔAs /3 = 0.53%
(ΔAs /3  RSDmax,5)
По результатам валидации: для сходимости RSDP = 0.26 % (Р - объединенное число степеней
свободы для всех результатов, полученных при валидации).
Реальная сходимость существенно меньше максимально допустимой, и при рутинном контроле
качества необходимо пользоваться данными валидации.
Критерии приемлемости для RSDmax можно рассчитать по критерию Фишера (F), который ха-
рактеризует достоверность различия между двумя дисперсиями.
Находят табличные значения критерия Фишера (F) для 1 ( RSDmax при рутинном анализе
для  = n - 1 от 1 до 4) и 2 ( RSDP ), ( sP2  sn2 ), и рассчитывают прогнозируемое значение RSDmax :
RSDmax  sP2  F95%, 1, 2

Прогноз RSDmax при рутинном выполнении анализа (по критерию Фишера):

Число параллельных n RSDmax, %

2 0.52
3 0.46
4 0.43
5 0.42

40
Как можно видеть, даже для n = 2 критическое значение RSDmax несколько меньше, чем оценен-
ное по требованиям из допусков содержания.

ПРИМЕР – СПЕКТРОФОТОМЕТРИЯ В ВИДИМОЙ И УФ-ОБЛАСТИ

Критические параметры:
- состояние кюветодержателя (приводит к увеличению RSD)
- загрязнение кюветы:
Загрязнение изнутри – устраняется отмывкой перед анализом
Загрязнение снаружи (попадание анализируемого раствора на внешнюю стенку кюветы в
процессе анализа)
Царапины, сколы на кювете (неустранимое изменение)
- ошибки при пробоподготовке

Тесты, рекомендуемые к выполнению при рутинном анализе (PQ) – OMCL [27]:

- Проверка пригодности системы:
- Контроль прецизионности
- Спектральное разрешение
- Проверка кюветной разности (если применимо)

Контроль пригодности аналитической системы – метрологические аспекты [28]

Контроль состояния кювет

Особенно важно для двулучевого СФ. Необходимо контролировать кюветную разность:
Спектрофотометрия применяется в основном для количественного определения готовых
лекарственных средств (ГЛС). Минимальные допуски для ГЛС + 5 %. Кюветная разность долж-
на быть незначима, т.е. не должна превышать 0.5 % от минимальной рекомендуемой оптической
плотности (совпадает с допусками толщины кювет по ГФУ 0.005 см). Оптимальный диапазон
измерения оптической плотности А = 0.4 – 1.0. Тогда («наихудший случай» - для оптической
плотности А = 0.4):

максимальное значение кюветной разности не должно превышать δdif = 0.005·0.4 = 0.002

При несоответствии пары кювет требованию их необходимо промыть и снова проверить.
При невыполнении требования после этого (промывание уменьшает только переменную состав-
ляющую кюветной разности, но не сказывается на постоянной) и невозможности использовать
другую пару кювет (при двухкюветном анализе), кюветную разность необходимо учитывать в
расчетах как постоянную составляющую.

Контроль прецизионности измерения оптической плотности

ГФУ рекомендует не менее трех измерений оптической плотности с выниманием кювет
при рутинном анализе. При проверке пригодности в любом случае: RSD ≤ 0.25 % (результат,
полученный из обширного межлабораторного эксперимента).
Однако на практике сходимость может быть существенно лучше – она должна быть в со-
ответствии со спецификациями производителя – но обязательно тестировать необходимо с
выниманием кюветы.

Контроль правильности пробоподготовки

1. Контроль пробоподготовки для стандартного раствора
В МС эффективным способом контроля правильности пробоподготовки стандартного
раствора является расчет для него удельного показателя поглощения ( A11см% ( st 1) ). Желательно
A11см
%
( st 1) получить из большого числа измерений – полученных при валидации методики или ее
верификации ее в конкретной лаборатории на конкретном спектрофотометре.

41
 При рутинном анализе из получаемых значений оптической плотности стандартного рас-
твора рассчитывают удельный показатель поглощения ( A11см% ( st 2 ) ) и сравнить его с архивным
1%
значением A1см ( st 1) :
A 11 см% ( st 2 )
 A 11 см%   1  100 %   As (%)
A 11 см% ( st 1 )
Обязательное условие – проведение мониторинга правильности оптической плотности
(см. ниже – мероприятия контроля качества).

Мероприятия контроля качества – метрологические аспекты

Контроль правильности оптической плотности по бихромату (тест ЕФ)

Особенно важно для метода показателя поглощения (МПП).
На каждом конкретном спектрофотометре обычно воспроизводимость показателя погло-
щения гораздо лучше фармакопейных требований. Для мониторинга необходимо использовать
не литературный удельный показатель поглощения, а определяемый в данной лаборатории на
конкретном спектрофотометре. Необходимо определить время, в течение которого воспроизво-
димость значений удельного показателя поглощения удовлетворяет требованиям поставленной
задачи.
Раствор калия бихромата устойчив - в течение, как минимум 1 месяца (более – по данным
лаборатории). В течение этого времени (как минимум) можно проверять оптическую плотность
этого раствора (например, начинать 1 раз в три дня  1 раз в неделю  1 раз в месяц).
Различие в разные дни (ΔAnom) между величинами оптической плотности раствора калия
бихромата при всех длинах волн должно быть практически незначимо:
 Anom  2  0 . 49  0 . 70 % ,
где 0.49 – предельно допустимое по ГФУ значение неопределенности для сходимости измере-
ний. 2 – коэффициент, учитывающий, что мы не знаем (с необходимой правильностью) истин-
ного значения раствора калия бихромата.

Использование двух параллельных испытуемых растворов

Для каждого раствора рассчитывают содержание анализируемого компонента в процен-
тах к номинальному содержанию (Х1 и Х2):
X 2  X1  2   As
Для раствора сравнения можно контролировать пробоподготовку по удельному показателю. Ес-
ли анализ выполняется впервые (например, в контрольной лаборатории), возможно использо-
вать анализ образцов - дубликатов (см. выше).

15. Некоторые проблемы корректного использования статистики

15.a. Различие в подходах: GMP и тотальный контроль качества
GMP: качество встроено в продукт. Позволяет выпуск по параметрам и периодический кон-
троль (МБЧ – может контролироваться 1 из 10 серий)
Тотальный контроль: качество обеспечивается контролем конечного продукта («отсеивание»
брака путем контроля)

Пример – тест «Микробиологическая чистота»

Нормирование – не более 1000 микроорганизмов/г.
Проблема – объект анализа может быть очень неоднородным. Критерии приемлемости:

42
- Подход в бывшем СССР («тотальный контроль»): более 1000 микроорганизмов/г – брак.
Следствие – выполнение анализа до получения положительного результата, что совершенно не-
приемлемо для GMP
- Подход GMP: вводится приемочный коэффициент – «2» для субстанций и ГЛС и «5» для рас-
тительного сырья (!). Если результат превышает критерий в 2 (5) раз, то результат анализа по-
ложительный.

Почему так:
Предприятие, работающее по GMP, проводит выборочный контроль (1 на 10 серий). Действия
при превышении нормы:
- при однократном результате препарат не бракуют.
- при повторном результате – «включают» посерийный контроль
- если снова превышение – брак, остановка производства, изъятие серий.

В более широком смысле можно выделить два похода: Контролирующий и Подтверждающий

«Доказывающий» подход: мы не знаем истинное значение, находим его и доказываем, что оно
находится в требуемых пределах
«Подтверждающий» подход: мы знаем истинное значение и подтверждаем, что оно находится
в требуемых пределах

Рутинный анализ - Анализировать один или два раствора?

Во многих методиках из ГОСТов для контроля погрешности при рутинном выполнении
анализа вводится два параллельных образца (раствора). При аттестации фармацевтических ла-
бораторий нередко выдвигаются аналогичные требования.

Ответ с точки зрения GMP (АФ <1010>): «При оценке качества единичный анализ является
приемлемым при условии, что образец приготовлен по валидированному и хорошо документи-
рованному процессу, и источники аналитических ошибок хорошо известны. (!!!) Качество полу-
ченного результата может быть квалифицировано указанием связанной с ним неопределенно-
сти. Необходимость использования усреднения определяется варьированием результата и кри-
терием приемлемости.»
Действительно, есть методики (например, химическая дериватизация аналита), в которых
добиться приемлемой неопределенности удается только путем анализа нескольких параллель-
ных образцов (например, 5!). Однако решение о такой необходимости принимается на этапе ва-
лидации методики.

15.b. Исключение выпадающих значений

Иногда результаты анализа очень сильно отличаются от ожидаемых. Они называются выпа-
дающими значениями. Как и другие лабораторные результаты, они должны быть документиро-
ваны, интерпретированы и обработаны. Это могут быть:
- правильные результаты, отображающие реальные свойства анализируемого объекта;
- грубая ошибка.
Т.е. возможны ошибки:
- признание выпадающим результат, который таковым не является
- не выявление выпадающего значения, когда оно реально присутствует

Исключение или не исключение выпадающих значений может сильно искажать результат:

- смещать среднее значение
- влиять на оценку неопределенности результатов

43
 По требованиям GMP должно проводится специальное изучение причины получения вы-
падающих значений (процедура OOS [29]). Главный вопрос – что браковать: результаты или
продукцию?
Отнесение значения к выпадающему – это признание его потенциально содержащим гру-
бую погрешность, что должно быть исследовано формальными статистическими методами.
 Первый шаг – графическое исследование результатов.
 Затем с использованием статистических тестов необходимо показать, что с высокой вероятно-
стью данное значение является выпадающим.
Этот тест неприменим для испытаний Растворение или Определение скорости вы-
свобождения и Однородность дозирования.
Только статистическое признание результата выпадающим не должно быть единствен-
ным основанием для его исключения из расчетов!
Исключение или не исключение из расчетов должно быть научно обосновано, и базиро-
ваться на знании процессов производства и анализа, и должно быть прописано в политике орга-
низации.
Часто бывает полезно провести расчеты с выпадающим значением, и без него, и оценить
влияние. Также может быть полезно провести расчеты с тремя дополнительными результатами,
замещающими подозрительное значение.
Если найдена ошибка, результат должен быть зафиксирован (ошибки должны происхо-
дить достаточно редко!), но исключен из последующих расчетов.

Примеры использования статистических приемов

для обнаружения выпадающих значений
Проверка однородности выборки небольшого объема (n < 10)
Для крайних вариант х1 и xn (которые предполагаются выпадающими) рассчитывают зна-
чения контрольного критерия Q, исходя из величины размаха варьирования R:
 x1  xn для n  3..7.
 x1  x2 xn  xn1
R Q1  Qn 
x x для n  8..10. R R
 1 n 1

Выборка признается неоднородной, если хотя бы одно из вычисленных значений Q1 или

Qn превышает табличное значение Q(P1, n ), найденное для доверительной вероятности P1 (см.
ГФ СССР XI изд. или ГФУ - Статистический анализ результатов химического эксперимента).
Варианты х1 или xn , для которых соответствующее значение Q > Q(P1, n ), отбрасываются, и для
полученной выборки уменьшенного объема выполняют новый цикл вычислений с целью про-
верки ее однородности.

Проверка однородности выборки достаточно большого объема (n > 10)

Проверку однородности проводят после предварительного вычисления статистических ха-
рактеристик х, s2, s и s x . Выборка признается однородной, если для всех вариант выполняет-
ся условие:
d i  3s
Если выборка признана неоднородной, то варианты, для которых d i  3s , отбрасываются,
как отягощенные грубыми погрешностями с доверительной вероятностью Р > 99.0%. Для по-
лученной выборки сокращенного объема повторяют цикл вычислений и снова проверяют на
однородность. Проверку считают законченной, когда выборка сокращенного объема оказы-
вается однородной.

44
 Другие тесты
АФ в статье <1010> предлагает два вышеприведенных теста в некоторой модификации, и
третий тест – «Правило Хамплера» (Hanpler Rule). Он основан на робастной статистике, т.е. не
требует нормальности распределения.
Первый вышеприведенный тест называется Dixon – Type Test. Он не требует нормально-
сти распределения (поэтому и используется для выборок малого объема), и потенциально может
использоваться для выборок любого объема.
Второй вышеприведенный тест называется Extreme Studentized Deviate (ESD) Test. Он
предполагает нормальное распределение для генеральной совокупности и случайный отбор об-
разцов на анализ из нее.
Существуют другие тесты, в частности, позволяющие исключать несколько одновремен-
но присутствующих подозрительных значений. К результатам фарманализа это малоприменимо,
поскольку обычно используются выборки очень малого объема. Считается, что использование
тестов робастной статистики (оценки которой не зависят от распределения) позволяет умень-
шить риск ошибки выявления выпадающего значения.

Заключение: Использование статистики не решает проблему появления выпадающих значений

в лаборатории. Статистическое подтверждение гипотезы, что данный результат статистически
значимо отличается от остальных означает, что необходимо предпринимать корректирующие
действия, а не «избавляться» на данном основании от отклоняющихся результатов. «Не нужно
искать научные решения, там, где нужны административные».

15.c. Статистическая незначимость и практическая незначимость

Сложившееся мнение статистиков: если систематическая погрешность выявлена, ее нужно ис-
ключить. Однако метод может быть настолько прецизионным, что выявленная систематическая
погрешность столь мала, что она не оказывает влияния на корректность принятия решения о ка-
честве препарата. В связи с этим были введены понятия о статистической и практической незна-
чимости. Этот подход потребовался при оценке валидационных характеристик.

Валидационная характеристика Правильность.

Правильность (δ) характеризует отличие полученного результата от истинного значения.
Статистическая незначимость. δ не должна превосходить случайную составляющую неопре-
деленности результата – т.е. доверительный интервал среднего значения Z . Для девяти точек
(g = 9):
 As  As
 %  Z  100   Z   .
g 3
Критерий статистической незначимости δ зависит от фактической неопределенности ана-
лиза ΔAs, ужесточаясь с повышением прецизионности.
Практическая незначимость δ является практически незначимой для решения поставленной
задачи контроля качества ЛС, если она является незначимой по сравнению с ΔAs:
Субстанции: max   0 .32   As  0 .32  B .
ГЛС: max   0.32   As  0.1  B.
В таком случае критерий практической незначимости зависит только от допусков содер-
жания, но не зависит (в отличие от статистической незначимости) от фактической неопределен-
ности анализа.

Критические значения систематической (max δ) и полной неопределенности (maxΔAs) ме-

тодики анализа и параметров линейной зависимости Yi = b•Xi + a для различных испытаний, g =
9 точек и различных допусков содержания В

45
Испы- Диапазон D [1], шаг, В, % maxΔAs max RSDo , min Rc max a,
тание RSDrange % % δ% % %
Субстанции
КО* 1.0 1.0 0.32 0.53 0.99926 1.6
80-120, шаг = 5 1.5 1.5 0.48 0.79 0.99833 2.4
RSDrange = 13.69 2.0 2.0 0.64 1.06 0.99702 3.2
2.5 2.5 0.80 1.32 0.99535 4.0
3.0 3.0 0.96 1.58 0.99329 4.8
Готовые лекарственные средства
КО* 5 1.6 0.51 0.84 0.99810 2.6
D = 80-120, 7.5 2.4 0.77 1.27 0.99571 3.8
шаг = 5 10 3.2 1.02 1.69 0.99236 5.1
RSDrange = 13.69 15 4.8 1.54 2.53 0.98273 7.7
20 6.4 2.05 3.38 0.96909 10.2
ОС* D = 70-130, 3.0 0.96 1.58 0.99710 3.1
шаг = 7.5
RSDrange = 20.54
Р* D = 50-130, 3.0 0.96 1.58 0.99865 1.9
шаг = 10
RSDrange = 30.43
D = 55-135, 3.0 0.96 1.58 0.99839 2.1
шаг = 10
RSDrange = 27.39
КО + 5 1.6 0.51 0.84 0.99952 2.1
ОС + Р D = 55-135, 7.5 2.4 0.77 1.27 0.99893 2.1
шаг = 10 10 3.2 1.02 1.56 0.99837 2.1
RSDrange = 27.39 15 4.8 1.54 1.56 0.99837 2.1
20 6.4 2.05 1.56 0.99837 2.1
КО + 5 1.6 0.51 0.84 0.99946 2.4
ОС + Р D = 60-135, 7.3 2.34 0.75 1.23 0.99885 2.4
шаг = 9.4 7.5 2.4 0.77 1.27 0.99878 2.4
RSDrange = 25.67 10 3.2 1.02 1.56 0.99814 2.4
15 4.8 1.54 1.56 0.99814 2.4
20 6.4 2.05 1.56 0.99814 2.4
* КО – количественное определение, Р – растворение, ОС – однородность содержания

15.d. Изучение линейной зависимости и оценка неопределенности

РЕГРЕССИОННЫЙ АНАЛИЗ
Если имеются пары экспериментальных значений (например: концентрация; показание прибо-
ра), и известна зависимость между ними (вид калибровочной функции), то через эксперимен-
тальные пары точек может быть проведена калибровочная функция наилучшим образом.

(Регрессионный анализ возможет я для более чем двух переменных).

Почему «наилучшим образом»:

- поскольку есть влияние различных источников погрешностей, полученные экспериментальные
значения отклоняются истинных значений.
- мы имеем дело с выборкой, а не с генеральной совокупностью, поэтому полученная калибро-
вочная зависимость есть «наилучшее приближение» к истинной калибровочной зависимости.

46
«Наилучшим образом» - это есть точное математическое решение для данного набора дан-
ных.
Критерий: (Yi-yi)2=min, где yi – полученное экспериментальное значение; Yi – рассчитанное
значение по полученной калибровочной зависимости (МНК).

Простейшие случаи калибровочных зависимостей.

Вид зависимости Название Использование Min чис- Число сте-

ло пар пеней сво-
точек боды f
(m)
у=ах Прямая пропорцио- СФ, хроматография, 1 m-1
нальность поляриметрия, реф-
рактометрия
у=ах +b Линейная зависи- СФ, ААС, хромато- 2 m-2
мость графия
у=а+bх+cx2 Полином второй ААС, ТСХ – кор- 3 m-3
степени ректность такой ка-
либровки вызывает
сомнения*
у=а+bх+cx2+dx3 Полином третьей Калибровка для оп- 4 m-4
степени ределения молеку-
лярно-массового
распределения в
ГПХ
и т.д.
*нелинейность может быть вызвана использованием слишком широкого диапазона (некоррект-
ность методики); оценка неопределенности для нелинейной калибровки «неопределенна», ее
следует избегать где это возможно.

Что делать, если калибровочная зависимость не может быть описана математически? (ха-
рактерно для некоторых биологических испытаний)

Если калибровочная зависимость монотонна, то чем ближе аналитический сигдал для испытуе-
мого раствора к таковому для раствора сравнения, тем меньше неопределенность результата
анализа  необходимо «подгонять» разведения испытуемого раствора и раствора сравнения,
что бы отклик был одинаковым.

Что такое «наилучшим образом»?

Пример 1 – молекулярно массовое распределение гепаринов низкомолекулярных.

1. Калибровка во всем диапазоне экспериментальных данных

- включена область низкомолекулярных пиков, которые не являются гепаринами;
- включена область высоких молекулярных масс (близко к пределу эксклюзии), где калибро-
вочная зависимость не может быть корректно описана полиномом 3-ей степени.

47
Результат: s-образная зависимость (характерная для ГПХ) «перевернута».

2. Исключена из калибровки область низких молекулярных масс

Результат: калибровочная зависимость приняла «нормальный» вид, но в области высоких масс

экспериментальные данные сильно отклоняются от калибровочной зависимостив области
больших молекулярных масс будут большие погрешности.

3. Исключены из калибровки область низких и высоких молекулярных масс

48
Результат: в диапазоне калибровки данная зависимость наилучшим образом описывает экспе-
риментальные данные. Экстраполяция в сторону высоких молекулярных масс недопусти-
ма!

Пример 2. Паспортная зависимость аб-

сорбции от концентрации железа (ppm) для
аппарата атомной абсорбции Varian 220 FS
Double Beam AA (USA)

Для узкого диапазона в низких концентра-

циях – прямая пропорциональность (можно
использовать один раствор сравнения)

Для узкого диапазона в высоких концен-

трациях – линейность (необходимо исполь-
зовать более одного раствора сравнения)

Для широкого диапазона – калибровка не

линейна – затруднительно оценить неопре-
деленность результата анализа, связанную с
калибровкой.

ЛИНЕЙНЫЕ ЗАВИСИМОСТИ

Многие методы анализа основываются на линейной зависимости («физический закон» - на-

пример, Ламберта – Бугера - Бэра):
y=bx+a
где:
у — измеряемая величина;
х — концентрация (количество) определяемого вещества или элемента;
b — угловой коэффициент линейной зависимости (тангенс угла наклона прямой);
а — свободный член линейной зависимости (точка пересечения с осью ординат).

Параметры линейной зависимости

49
Условия применимости регрессионного анализа:
1. Значения концентраций xi заданы с гораздо меньшей неопределенностью, чем варьирование
определяемых значений аналитического сигнала yi  необходимо проводить прогноз неопре-
деленности пробоподготовки!*
2. Измеренные значения yi распределены нормально  по 5 точкам нельзя судить о линейно-
сти!
3. Величины yi имеют одинаковую неопределенность (выполняется только для узких диапазо-
нов!)  исходя из условий применимости регрессии нельзя использовать очень широкие
диапазоны!

* «Классическая» формулировка не совсем корректна: фактическое варьирование аналитическо-

го сигнала может быть очень низким – это плохо?! Неопределенность концентраций xi долж-
на быть незначима по сравнению с maxAs.

Выражение линейности – «физический закон» и «калибровочная функция»

При выполнении анализа нас интересует «калибровочная зависимость»:

«физический закон» «калибровочная функция»

Аналитический сигнал (у) – зависимая пере- х – аргумент; у - функция
менная, ордината
Концентрация (х) - независимая переменная,
абсцисса

Именно для уравнения «физического закона» корректно оценивать стандартные отклоне-

ния и доверительные интервалы для s0, sa и sb – нельзя произвольно менять местами у и х!

Как рассчитывать параметры линейной зависимости?

Какую информацию о неопределенности результата анализа можно получить из парамет-

ров линейной зависимости?

Свободный член а. Систематическая составляющая неопределенности. Если а значим, то нель-

зя использовать один раствор сравнения.

Сформулировать требования к а возможно, перейдя в нормализованные координаты.

Тангенс угла наклона b. Редко используется как критерий. Например, если при изучении ста-
бильности растворов (аналитический отклик; время анализа) b значимо отличается от 0, то рас-
творы не стабильны.

Сформулировать требования к b возможно, перейдя в нормализованные координаты.

50
Остаточное стандартное отклонение s0. Характеризует разброс значений yi относительно
значений Yi :

Физический смысл – характеризует сходимость для величины у, т.е. случайную составляю-

щую неопределенности.

Стандартные отклонения и доверительные интервалы для a и b. Полученные константы a и

b – выборочные оценки теоретических параметров уравнения y= + x. Поэтому для них мож-
но рассчитать стандартные отклонения (sa и sb) и доверительные интервалы (a и b):

Коэффициенты а и b должны значимо отличаться от нуля, т.е. превышать, соответственно, ве-

личины a и b.

Линейный коэффициент корреляции r: позволяет оценить «жесткость» связи между данными

– т.е. характеризует «степень» линейности.

r изменяется от -1 (полнейшая корреляция, отрицательный наклон) до +1 (полнейшая корреля-

ция, положительный наклон)

Формула некорректна, т.к. дает результат при f=0!

Линейный коэффициент корреляции r является частным случаем общего индекса корреляции Rс

, который применим также и для нелинейных зависимостей между величинами y и x:
so — остаточное стандартное отклонение;
sy — стандартное отклонение величин yi относительно

среднего значения y.
(от 0 до 1; знак - только положительный!)

RC характеризует степень вытянутости облака точек

Внимание! Для полиномов более высоких степеней коэффициент корреляции не имеет просто-
го физического смысла! (т.е. его трудно увязать с неопределенностью)

Рекомендации r0.98 (количественное определение) или r0.9 (предельные испытания) сфор-

мулированы исходя из здравого смысла. Приемлемость r исходя из научно обоснованных
критериев можно обосновать перейдя в нормализованные координаты.

51
Центр координат
точка с координатами:

(наименьшие отклонения значений yi от значений Yi

наблюдаются в окрестностях центра графика)

Доверительные интервалы для х и у.

;
7

6
y — среднее значение; пj — число вариант (парал-
5
Y A x is Title

лельных измерений), использованных при определе-

4 нии yj.
3
Неопределенность возрастает с удалением от центра
2 координат – непонятно как использовать ее для ха-
рактеристики неопределенности результата анали-
1
за.
1 2 3 4 5 6 7

X axis title

Возможно использовать для проверки на грубые погрешности в данных – не должны выходить

за доверительные интервалы!

«Классический» подход к изучению линейности можно резюмировать текстом ICH Q2B:

«Изучение линейности может быть полезным само по себе» (!!!).

Нормализованные координаты
Практическая задача: оценить влияние нелинейности на х (неопределенность результата ана-
лиза).
Проблема: как это сделать?
Решение: использование нормализованных координат.

При валидации:
- концентрация выступает независимой переменной (абсциссой Х) ,
- аналитический сигнал выступает зависимой переменной (ординатой Y) (высота или площадь
пика, оптическая плотность и т.д.) – т.е. используется непосредственно калибровочная зави-
симость.
Концентрации и аналитические сигналы различных веществ могут находиться в самых
разных цифровых диапазонах. Это требует расчета критериев для каждого конкретного случая и
лишает их общности и наглядности. Нас обычно интересуют концентрации и аналитические
сигналы не в реальных величинах, а в процентах к номинальному (или нормируемому) зна-
чению.

52
Нормализованные координаты:
C Ci – концентрация анализируемого вещества в i-ом анализируемом
X i  sti  100 %, растворе (или образце);
Ci Cist – концентрация этого же вещества в растворе (или образце)
A сравнения (которая очень близка к номинальной концентрации);
Yi  sti  100 %, Ai - аналитический сигнал анализируемого вещества для i-ого ана-
Ai
лизируемого раствора;
Y Аist - аналитический сигнал этого же вещества для раствора срав-
Z i  i  100 %.
Xi нения.
Z - отношение «найдено»/«введено», в процентах (используется
только для прямой пропорциональности, и для достаточно узких
диапазонов!)

Важные следствия:
1. Величина Zi представляет собой коэффициент извлечения – recovery («найдено» в % к
«введенному»).

2. Величины Xi и Yi , независимо от специфики анализируемого вещества, всегда находятся

вблизи 100% (т.е. используется «единый масштаб» независимо от объекта анали-
за/методики).

3. График линейной зависимости Yi = b• Xi + a, независимо от специфики анализируемого

вещества, всегда находится вблизи 100%. Угол наклона прямой (b) всегда близок к 1.
Свободный член прямой (a) значимо (статистически или практически – см. ниже) не от-
личается от нуля (что неудивительно, поскольку предполагается применимость метода
стандарта). Это стандартизует представление графика линейной зависимости и делает его
наглядным.

4. Величины Zi для точек (g = n = 9) регрессионной прямой характеризуются средним зна-

чением ( Z ) и стандартным отклонением Sz , которое, учитывая близость величины Z к
100 %, фактически, является относительным стандартным отклонением. Поэтому неоп-
ределенность методики анализа во всем диапазоне концентраций (!) характеризуется
доверительным интервалом, равным доверительному интервалу единичного значения Z:
 Z  t ( 95 %, n  1 )  S Z  1 . 860  S Z   As .
Здесь ∆As - максимально допустимое значение неопределенности методики.
Это позволяет регламентировать правильность и прецизионность методики во всем изученном
диапазоне.

Требования к параметрам линейной зависимости в нормализованных координатах

Требования к остаточному отклонению s0. Прямая Yi = b• Xi + a характеризуется остаточным

стандартным отклонением SDY. Обратная линейная зависимость Xi = (1/b)• Yi + (-a/b) = b’•Y + a’
характеризуется остаточным стандартным отклонением SDX. Учитывая близость угла наклона
прямой (b) к 1 и незначимость свободного члена (a), получим:
SD Y , res  SD X , res  so.
В нормализованных координатах s0 есть характеристика случайной составляющей неопреде-
ленности.
Доверительный интервал разброса точек вокруг прямой Yi = b• Xi + a равен t(95%, g-2)•So (для
единичного значения!) и представляет собой полную неопределенность методики анализа (ΔAs).

53
Требования к so для g =n = 9:

Субстанции: s o / b   As / t ( 95 %, n  2 )  0 . 53  ( B H  100 ).
(BH  BL )
ГЛС: s o  0 . 32   As / t ( 95 %, n  2 )  0 . 17  .
2
Требования к коэффициенту корреляции r. Облако точек Y(X) в координатах Y – X можно
охарактеризовать стандартными отклонениями SDY и SDX . Так как средние значения величин
Xi и Yi близки к 100%, то величины SDY и SDX являются относительными (по отношению к но-
минальным или нормируемым значениям) стандартными отклонениями и, учитывая п. 2, близ-
кими друг к другу, т.е.
g

 (C  C ) i
2

SDY  SDX  RSDY  i 1

2
C  ( g  1)
Это позволяет регламентировать коэффициент корреляции (!). С учетом требований к s0:

S 02
Rc  r  1 
SDY2
Требования к свободному члену.

200

180 Пределы
содержания Y = bX
160

140 Y = a + bX

120

100 Истинное содержание

Найденное
80
содержание
60

40
a
20

ДовИнт a
0
Номинальное
0 20 40 60 80 100 120 140 160 180 200

Статистическая незначимость (m = 9): a  t ( 95 %, g  2 )  s a  1 . 89  s a

54
 0 . 32   As , r
Практическая незначимость по сравнению с ΔAs: a
1  ( X min / 100 )
Хmin – минимальная граница для симметричного диапазона.

Требования к угловому коэффициенту b – на примере валидации титриметрических методик.

1. Статистическая незначимость. k – ко-

личество параллельных титрований при
рутинном выполнении анализа

2. Практическая незначимость – если не

выполняется требование п.1. В нормали-
зованных координатах для титримет-
рии регламентирует систематическую или
составляющую неопределенности ме-
тодики в пределах диапазона валидации
 20% от номинального значения.

Использование взвешенной регрессии (весовых множителей)

В широком диапазоне для многих методов анализа неопределенность результатов измерений

зависит от концентрации. (Обычно неопределенность возрастает с уменьшением концентрации).
Это возможно учитывать, вводя весовые множители для концентраций (описание расчетов см.
Дерфель – доступен в Интернете).

Проблемы:
- экспериментальное определение достоверных стандартных отклонений (чтобы полученные
различия не являлись «информационным шумом») требует большого объема эксперимента – 5
или 10 параллельных определений для каждой концентрации! Можно использовать эмпириче-
ские зависимости SD от концентрации – но тогда трудно оценить неопределенность.
- непонятно как увязать требований к maxAs с параметрами линейной зависимости. Для весо-
вой регрессии понятие r не имеет смысла.

Вывод: «улучшение» метрологических характеристик с использование весовых множителей =

отсутствие критериев для неопределенности = отсутствие ее контроля!

15.e. Новые подходы USP к валидации аналитических методик – неопреде-

ленность и критерии
USP <1200> «Требования к фармакопейной валидации» - проект, опубликован в PhF 39(6).
«Систематический поход и критерии для оценки результатов валидационных исследований,
проводимых для фармакопейных методик и испытаний». (Планируется <1000> - «статистиче-
ские инструменты для валидации» - не опубликована).

Рассматривается 5 типов испытаний, которые применимы к количественным определениям (КО)

или к испытаниям на чистоту.

55
Испытание 1 (Precision–Accuracy and Range Type 1) используется для КО.

Дизайн эксперимента:
- 6 независимых концентраций в пределах диапазона (узкого). Не менее одной концентрации
ниже и выше допусков содержания (верхнего и нижнего соответственно: приемлемым является
диапазон  20% от номинального содержания.
- Для каждой концентрации рассчитывают степень извлечения (найдено/введено).
- Для полученных значений рассчитывают SD в % от номинального содержания.

Критерий приемлемости:
1. Исходя из спецификаций задают максимально допустимый интервал, в пределах которого с
высокой вероятностью должны находиться результаты анализа.
2. Из результатов валидационных исследований рассчитывают вероятность для данного интер-
вала (как для одностороннего доверительного интервала), с которой результаты анализа на-
ходятся в пределах данного интервала (95%).

Расчеты:
Result = t(qU ,df) t( qL ,df);
t(q,df) = кумулятивное распределение Стьюдента t для числа степенем свободі df.

qU = (Upper-Mean)/(SD 1 + 1/n )

qL = (Lower-Mean))/(SD 1 + 1/n )
df = n 1
Upper = верхний предел содержания по спецификации (т.е. 102% для субстанций по
умолчанию)
Mean = среднее значение для результатов валидационного эксперимента
SD = стандартное отклонение, рассчитанное из результатов валидационного экспери-
мента
n = число параллельных определений (растворов)
Lower = нижний предел содержания по спецификации (т.е. 98% для субстанций по
умолчанию)
Для ГЛС: максимально допустимый интервал должен составлять не более 1/3 от спецификаций,
т.е. для допусков содержания 10% од должен составлять 3%.
Комментарии:
- требования к maxAs для субстанций и ГЛС: USP принят подход, аналогичный ГФУ!
- способ выражения неопределенности (односторонний доверительный интервал для вероятно-
сти 95%) в USP и в ГФУ совпадает
Фактически подход USP есть то же самое, что и подход ГФУ:
ГФУ: из результатов валидации рассчи- USP: из спецификаций задают максимально допусти-
тывают односторонний доверительный мый интервал: не более (BH-100%) или 0.32(BH-BL)/2
интервал для вероятности 95%. Должен для ГЛС. По результатам валидации для данного ин-
быть не более (BH-100%) тервала (как для одностороннего) рассчитывают веро-
или 0.32(BH-BL)/2 для ГЛС. ятность, с которой результаты анализа находятся в
пределах данного интервала – должна быть не менее
95%

56
15.f. Оценка неопределенности и критерии для аналитических весов
Концепция неопределенности взвешивания в USP:
<41> «Весы» (была – «Весы и разновесы»): Для весов установлены требования к повторяемости
(Repeatability) и правильности (Accuracy).

Повторяемость оценивают по 10 взвешиваниям одного груза. Нет необходимости точно знать

вес. Считается, что воспроизводимость значений фактически не зависит от веса в пределах диа-
пазона взвешивания весов. Поэтому не требуется взвешивать очень маленький груз, с взвешива-
ние которого проблематично.
2  SD
Критерий:  0.10% .
m
Если полученное значение для Воспроизводимости менее чем 0.41d (где d – инкремент показа-
ний дисплея весов), то в качестве характеристики Воспроизводимости используют значение
0.41d.

Правильность. Определяют по результатам взвешивания подходящего груза с известным точ-

ным весом. Груз является подходящим, если:
- его вес находится в пределах от 5% до 100% от диапазона взвешивания для данных весов
- погрешность для установленного точного значения веса не превышает 1/3 от максимально до-
пустимого значения для Правильности.

Критерий: Разность показаний весов и сертифицированного значения веса не должна превышать

0.10%.

<1251> «Взвешивание на аналитических весах»: для весов проверяют

- систематические составляющие погрешности: чувствительность (Sensitivity), линейность
(Linearity) и испытание на нагрузку со смещенным центром (Eccentricity)
- случайную составляющую: сходимость (повторяемость).

1. Поскольку систематические составляющие погрешности независимы друг от друга, есть

смысл их складывать как квадраты.
2. Тогда если неопределенность от каждой из характеристик будет составлять не более 50% от
максимально допустимой неопределенности для весов, то ОК.

Повторяемость рекомендуется изучать для нагрузки в несколько процентов от полного диапазо-

на весов.

Считается, что на нижнем диапазоне взвешивания вклад систематических составляющих неоп-

ределенности пренебрежимо мал, и полная неопределенность характеризуется повторяемостью.

Для тестов на линейность и чувствительность необходимы сертифицированные разновесы. (Ес-

ли тест на линейность выполняется дифференциальным методом, то не требуются!). Если ис-
пользуется несколько разновесов, то их неопределенности суммируются, и сумма не должна
превышать 1/3 от максимально допустимой неопределенности.

Проверка весов. Частота в соответствии с СРМ. Может быть частично замещена калибровкой
по внутренней гире. Критерии – как для чувствительности.

Минимальный вес. mmin = 2000sd

Если требования <41> не применимы, для минимального веса могут быть установлены другие
критерии.

57
- минимальный вес может меняться с изменением условий окружающей среды
- может зависеть от оператора
- sd из 10 параллельных взвешиваний есть выборочное, генеральное остается неизвестным
- выбранный вес может быть непредставительным для данной задачи взвешивания
- на минимальный вес может влиять используемая тара

Характеристика Определение Примеры Критерии приемле-

мости
Чувствительность Изменение в весе, де-  0.05% по <41>, или
ленное на изменение 50% от max
показаний весов
Линейность Способность весов 3 – 6 различных разно-  0.05% по <41>, или
давать линейную за- весов 50% от max
висимость. Нелиней-
ность обычно выра-
жается как наиболь-
шее отклонение в
пределах протестиро-
ванного интервала
Эксцентричность Отклонения в показа- Взвешивание в центре и  0.05% по <41>, или
ниях, связанные с не- в 4 секторах 50% от max
центральным распо-
ложением груза.
Обычно выражается
как наибольшее от-
клонение.
Повторяемость Способность весов 10 последовательных 2  SD
показывать одни и те взвешиваний (вес обыч-  0.10% по
m
же значения для по- но составляет несколько <41>, или установлен-
вторных взвешиваний процентов от диапазона ные пользователем
одного и того же объ- весов) требования
екта в одинаковых
условиях. Обычно
выражается как SD.

15.f. Некоторые другие примеры

Проблема сравнения средних значений

Часто возникает задача сравнения результатов – различаются ли они на значение, которое явля-
ется практически важным. Это может касаться как среднего значения, так и неопределенности.
Используемые статистические средства должны «стыковаться» с решаемыми задачами.

Проверка гипотезы о статистически значимом различии двух средних значений. Данная задача
возникает при валидации методик, при рутинном контроле качества и пр. Для двух выборок с
объемами п1 и п2 проверяется значимость разности ( x1  x2 ).

Используемые статистические приемы.

1. Различие дисперсий статистически незначимо. Рассчитывают:
k g

 k  sk2, r g

- средневзвешенное значение s: s 
2 k 1

t
; t  
k 1
k

58
- дисперсию sP2 разности: x1  x 2 : S P2 
s 2 n1  n2 
n1  n2

- критерий Стьюдента: t  x 1  x 2  x 1  x 2  n1 n 2 ,   n1  n 2  2
SP s n1  n 2

Если при выбранном значении вероятности (например Р2 = 95%) t  t ( P2 , ) , то разность

( x1  x2 ) является значимой
2 2
2. Различие дисперсий статистически значимо ( s1 > s 2 ). Рассчитывают:

s12 s22  s12  s22 

- дисперсию s разности ( x1  x2 ):
2
S   ,  '  n1  n2  2    0.5  4 4 
2

P P
n1 n2  s1  s2 
| x1  x 2 | n1  n2
- коэффициент Стьюдента: t  | x1  x 2 | 
SP n2  s12  n1  s 22
Если при выбранном значении вероятности (например Р2 = 95%) t  t ( P2 , ) , то разность
( x1  x2 ) является значимой
3. Известно точное значение величины А. Рассчитывают:
  xA  n
- коэффициекнт Стьюдента: t 
sA
Если t > t(P,), то величина А значимо отличается от истинного значения.

Проблема практически значимого различия - «Можно не увидеть слона», «Можно пугаться

блохи»
- различие может быть очень большим, но статистически незначимым (из-за недостаточного
объема выборки, недостаточной прецизионности и измерений)
- различие может быть очень маленьким и не оказывать никакого влияния на заключение о ка-
честве (методики, результата анализа и пр.), но в силу высокой прецизионности результатов ста-
тистически значимым.

Как данная проблема решается при валидации методики – подход использования

предельных характеристик.
1. Проводится прогноз неопределенности методики исходя из требований к ΔAs
2. Исходя из него устанавливаются требования к сходимости параллельных измерений и их чис-
лу
3. Для полученных значений x1 и x2 проверяется выполнение вышеуказанных требований. Та-
ким образом, значения x1 и x2 получены с достаточной прецизионностью.
4. Для полученных результатов используют предельное значение:  x   As . Требование практи-
ческой незначимости:
- для модельных растворов (известно истинное значение: x     As
-для результатов анализа двух растворов с неизвестным истинным значением: x1  x2  2   As
(поскольку для х1 и х2 предполагается одинаковое значение предельной неопределенности).

Проблема использования дисперсионного анализа

В некоторых случаях возникает «соблазн» воспользоваться возможностью выделения частного
варьирования из суммарного, например:
- выделение варьирования, связанного с неоднородностью образца (аттестация СО, проверка от-
сутствия эффекта сегрегирования («расслоения») таблеточной массы перед прессованием и т.д.)
59
- выделение варьирования, связанного с конкретной операции методики (например, этап пробо-
подготовки – экстракция или дериватизация аналита).

Статистические приемы достаточно широко описаны в литературе, это дисперсионный анализ

(ANOVA) [30, 31]

Наиболее простым является т.н. «полностью рандомизованный дизайн»:

- отбирается n образцов
- каждый из образцов анализируют несколько раз
- рассчитывают дисперсии «внутри группы» BMS (т.е. для параллельных анализов образцов) и
«между группами» WMS (т.е. между различными образцами) – between & within mean square.

Проблема: стандартные отклонения должны быть выделены статистически значимо. Чем боль-
ше WMS и чем меньше BMS, тем больше образцов необходимо анализировать. Для статистиче-
ски значимого выявления компонента варьирования может понадобиться провести анализ не-
приемлемо большого числа образцов.

Способ проверки: Рассчитывают односторонний критерий Фишера: F = BMS/WMS. F односто-

ронний, поскольку BMS ≥ WMS. Только если F ≤ FTabl, мы получили интересующую нас инфор-
мацию, а не «информационный шум».

Альтернативный подход - –использование предельных характеристик

Если суммарное варьирование не превышает критерия, то нет смысла выделять по отдельности
источники варьирования. Это несколько ужесточает требования к результатам, но позволяет
выполнять минимальное число анализов (например, 5 образцов без разбиения на параллельные
пробы).

Объединение числа степеней свободы

Концепция для приборной хроматографии:
- состояние прибора и метрологические характеристики могут меняться со временем
- сходимость может быть различной для различных методик.
Следствие:
- для оценки неопределенности нельзя использовать генеральные характеристики как для СФ
(архивные значения). Необходимо сходимость оценивать только по результатам, получен-
ным в данной серии анализов.
- -на практике оценку делают по очень небольшим выборкам (2 – 5 параллельных), коэффици-
ент Стьюдента очень большой, требования очень жесткие
Требования к сходимости можно смягчить, если использовать всю информацию, полученную в
ходе анализа – т.е. данные о сходимости для всех анализируемых растворов.
В национальной части ГФУ статьи 2.2.46 сказано: «Возможно существенное уменьшение
значения n (минимально необходимого числа параллельных хроматограмм) за счет объедине-
ния выборок образца(ов) сравнения и испытуемого(ых) образцов путем расчета объединенного
стандартного отклонения» (ГФУ 5.3.N).

Статистические приемы
Объединение стандартных отклонений. Если имеется g выборок из одной генеральной сово-
купности с порядковыми номерами k (1kg), расчет дисперсии s2 целесообразно проводить по
формуле:
k  g i  nk  i  nk 2
kg

 
kg

 d 2
ik nk  1s    xik  nk xk2 
2
k
k 1  i 1 
s 
2 k 1 i 1
 k 1

t t t
или для относительных величин, принимая во внимание, что nk – 1 = k:
60
 kg kg

 k s 2
k ,r  k  RSDk2
sr2  k 1
,
2
RSDtot  k 1
t t
g

При этом объединенное число степеней свободы t равно  t   k ,

k 1

где x k – среднее k-той выборки; nk – число вариант в k-той выборке; t - число степеней свобо-
2 2
ды в k-той выборке; xik – i-тая варианта k-той выборки; sk - дисперсия k-той выборки; sk ,r - от-
носительная дисперсия k-той выборки; dik – отклонение i-той варианты k-той выборки.

Пример: использование объединения выборок при валидации линейности методики.

При изучении линейности рекомендуется использовать 9 модельных растворов и раствор срав-
нения в концентрации, близкой к номинальной.
Учитывая достаточно большое число растворов, обычно достаточно двух параллельных
хроматограмм для каждого из растворов. Ниже приведены результаты, полученные с использо-
ванием программного обеспечения Валидация (разработано ГП Фармакопейный центр Украи-
ны).
Для 10 растворов (9 модельных и 1 сравнения) и двух параллельных хроматограмм:
kg

g  k  RSD k2 RSDtot  t90%, f 9

 t   k  10  (2  1)  10 ; RSD 2
 k 1
;  FAO  2 
k 1
tot
t 2
Таким образом, выигрыш в требованиях составляет t90%,f=1/ t90%,f=1 = 6.3138/1.8125 = 3.5 (т.е. тре-
бования к сходимости в 3.5 раз мягче!).

Пример использования объединения выборок при одновременном анализе нескольких серий

препарата, проведении тестов Растворение и Однородность дозирования описаны в [22] Пример
использования для контроля качества двух растворов сравнения описан в [32].

Объединение средних значений - взвешенное среднее. Если g выборок из одной генеральной

совокупности с порядковыми номерами k (1kg) характеризуются выборочными средними зна-
чениями x k , полученными из nk вариант, то объединенное среднее значение x по всем выбор-
кам рассчитывают по формуле:
kg

n
k 1
k  xk
x kg

k 1
nk
Необходимым условием совместной статистической обработки нескольких выборок является
2
отсутствие статистически значимой разницы между отдельными значениями sk .

Сравнение значимости различий двух дисперсий - критерий Фишера. Необходимым услови-

ем совместной статистической обработки нескольких выборок является отсутствие статистиче-
ски значимой разницы между отдельными значениями s 2k (т.е. справедливость гипотезы равен-
ства дисперсий). В простейшем случае можно ограничиться сравнением крайних значений s 2k с
использованием критерия Фишера F.
При сравнении воспроизводимости (сходимости) двух методик анализа с оценками дисперсий
s12 и s 22 ( s12 > s 22 ) вычисляют критерий Фишера F:
61
 F  s12 / s 22
Критерий F характеризует при s12 > s 22 достоверность различия между s12 и s 22 с заданной вероят-
ностью. Вычисленное значение F сравнивают с табличным значением F(P1,ν1,ν2), обычно для
P1= 99 %.
Пример. При определении потери в массе при высушивании (функция одной переменной!) в
двух различных лабораториях получены следующие результаты:

Х1 Х2 Х3 Среднее SD*  n t C.I.

Лаб 1 0.64 0.47 0.59 0.57 0.0874 2 3 2.92 0.15
Х1 Х2 Среднее SD*  n t C.I.
Лаб 2 0.59 0.64 0.615 0.0354 1 2 6.3138 0.16
* - сравнивают значения SD а не RSD, т.к. результаты уже выражены в процентах от содержания
основного вещества, и нас интересует влияние погрешности на пересчет на сухое вещество.

С одинаковой ли прецизионностью работают обе лаборатории?

Т.к. s12 > s 22 , то s12 =0.0874 (1 = 2) и s 22 =0.0354 (2 = 1). F = 0.08742/0.03542 = 6.1. Табличное значение
F(99%,2,1)= 5000, что существенно меньше вычисленного значения. Вывод: обе лаборатории
работают с одинаковой прецизионностью.
Проблема: 1. Критерий Фишера очень нечувствителен для небольших степеней свободы. Мож-
но видеть, что для данного случая отношение дисперсий должно отличаться в 5000 раз (!!!), что
бы это различие было статистически значимо. Т.е. полученная информация бесполезна.
2. Интерес представляет, с какой неопределенностью получено значение Х в двух лабьоратори-
ях, и какое максимально допустимое значение.
Допустим, допуск содержания основного вещества в субстанции составляют BH=100.5%? т.е.
As0.5%. Тогда для того, что бы неопределенность определение потери в массе при высушива-
нии (LoD) не влияло значимо на результат количественного определения в пересчете на сухое
вещество, должно выполняться соотношение:
LoD  0.32  As = 0.32  0.5 = 0.16%.
Рассчитаем доверительные интервалы для значений Х, полученных в обеих лабораториях:
Х = SD  t/n; Х1 = 0,0874  2.92/3 = 0.15; Х2 = 0.0354  6.3138/2 = 0.16. Вывод: несмотря
на то, что вторая лаборатория получила выборочное стандартное отклонение лучше, оценка не-
определенности говорит о том, что данная лаборатория получила недостоверный результат.
Вторая лаборатория получила достоверный результат.
Комментарий: статистику Фишера есть смысл использовать при прогнозе минимально необхо-
димого числа хроматограмм при рутинном анализе исходя из объединенных результатов вали-
дации.

Сравнение значимости различий нескольких дисперсий - критерий Бартлетта. Для провер-

ки гипотезы, что все sk2 принадлежат одной генеральной совокупности, используют выражение,
приближенно распределенное как 2:

 g

  2.303   t  lg s   k  lg sk2 
2 2

 k 1 
Найденная таким образом величина 2 сравнивается с процентной точкой хи-квадрат распреде-
ления 2(P1, ) (см. Таблица 11.3 ГФУ). Если имеется g выборок, то число степеней свободы для
2(P1, ) берется равным =g-1. Проверяемая гипотеза принимается при условии 2 < 2(P1, ).
В противном случае вычисленное значение 2 корректируют по формуле

62
 g 
  1 /  k   1 / t
   / C где C 
*2 2  k 1  1
3 g  1
и снова сравнивают с процентной точкой хи-квадрат распределения 2(P1, ).

Если *2 > 2(P1, ), то между некоторыми стандартными отклонениями имеются значимые раз-
личия. В этом случае необходимо провести анализ имеющихся данных, отбросить одно или не-
сколько значений дисперсии, наиболее сильно отличающиеся от остальных, и снова провести
тест Бартлетта. Нужно иметь в виду, что критерий Бартлетта (также как и критерий Кокрена)
очень чувствителен к нарушению требования нормальности.
Описанный критерий Бартлетта применим только при условии, что число степеней сво-
боды у всех объединяемых дисперсий больше 3 (т.е. все k > 3). Однако именно этот случай не-
редко и представляет наибольший интерес. Поэтому Бартлеттом была предложена более слож-
ная модификация данного критерия, применимая при любых степенях свободы. Однако исполь-
зование ее на практике достаточно затруднительно без применения ЭВМ.

Сравнение значимости различий нескольких дисперсий - Критерий Кокрена. В том случае,

когда все объединяемые дисперсии имеют одинаковое число степеней свободы (т.е. 1= 2
=…= g = ) для проверки гипотезы равенства дисперсий можно применять значительно более
простой критерий Кокрена со статистикой:
2
smax
G
, s max  max(sk ) .
2 2
g

s
k 1
2
k

Критические точки критерия Кокрена приведены в Таблице 11.4 ГФУ. Рассчитанное значение G
на выбранном уровне значимости (95% или 99%) не должно превосходить табличное значение.
В противном случае гипотеза равенства дисперсий не может быть принята.
2
В формулах (2.4) и (2.6) вместо абсолютных величин sk могут использоваться относи-
тельные величины sr2,k и RSDk .
Пример. При аттестации РСО для 4 растворов получены значения дисперсий (для всех раство-
ров =5):
РСО1 РСО2 ФСО1 ФСО2
S 0.13 0.44 0.70 0.25
s2 0.0169 0.194 0.49 0.063
∑ s2 0.7630
Значимо ли отличаются дисперсии? Если незначимо, то допустимо объединять число степеней
свободы и использовать sP.
2
smax =0.49; G = 0.49/0.7630=0.6422. =5, g=4. Табличное значение критерия Кокрена G95% =
0.5895 и G99% = 0.6761. Можно видеть, что даже на уровне вероятности 99% дисперсии разли-
чаются значимо, и их объединять нельзя.

63
64
65
 Проблема отсутствия официальных критериев
Отсутствие установленных критериев приводит к необходимости разрабатывать их каждой ла-
бораторией отдельно. Это может приводить к нестыковке используемых разными лаборатория-
ми подходов. В результате валидация аналитических методик выхолащивалась до следующего к
ней отношения: необходимо просто проделать установленный объем исследований, при этом не
важно, какой будет получен результат.

Следствия:
Валидация аналитических методик.
При разработке методики возникает проблема сравнения ее с фармакопейной методикой. При
этом необходимо доказать, что новая методика «не хуже» фармакопейной. Более, того, новая
методика может быть «несколько хуже» фармакопейной, но в приемлемых рамках (АФ <1010>).
При этом фармакопейная методика может иметь как избыточно хорошие метрологиче-
ские характеристики, так и быть метрологически некорректной (примеры – в [17]). Для решения
данных проблем приходится использовать достаточно сложную статистику, и принимаемые за-
ключения могут быть неоднозначны.
При наличии критериев все гораздо проще – методика должна быть не хуже требований,
и сравнивать ее с фармакопейной методикой вообще нет смысла.
Прогноз неопределенности
Лаборатории фирм-производителей весов сделали попытку оценить неопределенность взвеши-
вания на весах по информации, которая приводится производителем в паспорте на весы. В ре-
зультате оценка не сошлась на порядок.
При наличии предельного требования все гораздо проще: проводится ежедневный мони-
торинг за состоянием весов + верификация (планово 1 раз в год). Эти процедуры должны под-
твердить, что фактическая неопределенность не превышает требуемой для фармацевтического
анализа 0.2 мг.
Такой подход принципиально упрощает оценку неопределенности и делает ее очень на-
глядной.
Рутинный анализ
При рутинном анализе проверить корректность полученных результатов можно только по дан-
ным валидации – рутинные результаты должны иметь «такие же» метрологические характери-
стики. Что делать, если этих данных нет? Что делать с фармакопейными методиками? И что та-
кое «такие же»?
Аттестация СО
Если методики имеют различные метрологические характеристики, не увязанные с допусками
содержания, то критерии аттестации СО необходимо разрабатывать для каждой методики, что
зачастую нереально.
Как оценивать ППТ?
Статистические приемы позволяют выделить «лучших» и «худших». Проблема – насколько
«плохи» «худшие»? Мерная посуда по своим характеристикам может различаться в 2 раза: на
рынке присутствуют колбы 100 мл с погрешностью 0.1 мл (соответствуют требованиям
ГОСТа/ISO) и с погрешностью 0.05 мл! Современные приборы при хорошем сервисе тоже дают
фантастически высокую сходимость (СФ и ВЭЖХ – 0.01%!). Не определив минимальные требо-
вания к результату анализа, нельзя сделать оценку работы лаборатории.
Аналитическое оборудование
Производитель оборудования часто выпускает оборудование для широкого круга задач (эколо-
гия, пищевая промышленность, химическая промышленность, фармация, парфюмерия и др.).
Производитель может не знать, какие характеристики являются приемлемыми для конкретного
пользователя. Без формулировки требований к оборудованию исходя из решаемых задач нельзя
сделать вывод о его пригодности.
Что требовать при технологической валидации
Аналогично – что требовать от характеристик технологического процесса? «Что такое хорошо и
что такое плохо»?

66
Использование линейной модели, принципа незначимости и предельных значений, а так-
же увязка требований с допусками содержания в ЛС и предназначением фармацевтиче-
ских испытаний позволяет сформировать единую систему критериев для:
- результатов анализа
- аттестации СО (как официальных, так и РСО предприятия)
- валидационных характеристик методик анализа
- метрологических характеристик аналитического оборудования
- метрологических характеристик при валидации производства
- оценки результатов участников ППТ

Это позволяет существенно упростить использование статистических приемов для обеспечения

качества.

Заключение: статистические подходы основываются на математических законах вероятно-

сти, т.е. дают объективную информацию. Статистика может быть важнейшим инстру-
ментом обеспечения качества продукции. Однако статистику необходимо использовать кор-
ректно: знать предпосылки для правильного использования статистики, возможности и огра-
ничения статистических приемов, и всесторонне понимать проблему, которую пытаются ре-
шить с использованием статистики. Без соответствующей стандартизации (которая во мно-
гом и обеспечивает корректное использование статистики) статистика скорее помогает
прятать проблемы, чем их решать.

Базовая литература по статистике, стандартизации и метрологии в фармации

5.3.N. Статистический анализ результатов химического эксперимента. Государственная

Фармакопея Украины / Государственное предприятие «Научно-экспертный фармакопейный
центр». – 1-е изд.: Пер. с укр. – Харьков: Государственное предприятие «Научно-экспертный
фармакопейный центр», 2004. Дополнение 1. - с. 187–214.
Фармацевтична Енциклопедія (монографії “Хроматографія” (стор. 812-815), “Валідація
аналітичних методик і випробувань” (стор. 150-152) і “Метрологія фармацевтичного аналізу”
(стор. 507-509)). – Харків: Моріон. – 2005, 843 с.
General Chapters: <1010> ANALYTICAL DATA—INTERPRETATION AND
TREATMENT. U.S. Pharmacopoeia, Internet Edition.
Pharmaceutical statistics: practical and clinical applications/ Sanford Bolton. – 3rd ed. – 737 p.
Дерфель К. Статистика в аналитической химии. Пер. с нем. – М.: Мир, 1994. – 268 с., ил.
Большев Л.Н., Смирнов Н.В. Таблицы математической статистики.–М.:Наука,1983.-415с.

Дополнительная литература

Анализ критических факторов и стандартизация испытаний на растворение в соответст-

вии с требованиями Дополнения 2 ГФУ // Дмитриева М.В., Леонтьев Д.А. // Запорожский меди-
цинский журнал – 2008. – № 4. – С. 103–108.
Стандартизованная процедура валидации методик атомно-абсорбционного количествен-
ного определения лекарственных средств в варианте калибровочного графика // Гризодуб А.И.,
Леващова О.Л., Борщевский Г.И. // Фармаком – 2012. – № 4. – С. 5–26.
Стандартизованная процедура валидации методик контроля содержания примесей в го-
товых лекарственных средствах методом жидкостной хроматографии / А.И. Гризодуб, Д.А. Ле-
онтьев, Т.Н. Доценко, В.А. Загорий // Фармаком. – 2005. – № 2/3. – С. 78-94.
Стандартизованная процедура валидации методик контроля остаточных растворителей в
лекарственных средствах методом газовой хроматографии / А.И. Гризодуб, И.Г. Губаревич,
Т.А. Карпова, Л.Е. Никишина, Д.А. Леонтьев // Фармаком. – 2005. – № 4. – С. 5-21.
Гризодуб А.И., Леонтьев Д.А., Чикалова С.О., Верушкин А.Г., Георгиевский В.П. Стан-
дартизованная процедура валидации количественных методик титрования лекарственных
средств // Фармаком. – 2009. - № 2. – С. 5-29.
67
 ЦИТИРУЕМАЯ ЛИТЕРАТУРА

1. РМГ 29-99. Метрология. Основные термины и определения. – Минск: Межгосударственный

совет по стандартизации, метрологии и сертификации, 1999.
2. General Chapters: <1010> ANALYTICAL DATA—INTERPRETATION AND TREATMENT.
U.S. Pharmacopoeia, Internet Edition.
3. http://www.usp.org/products/referenceStandards/catalog.html
4. UNCERTAINTY OF MEASUREMENT - PART 1. OMCL Network of the Council of Europe.
QUALITY ASSURANCE DOCUMENT. PA/PH/OMCL (05) 49 DEF CORR.
5. ESTIMATION OF UNCERTAINTY OF MEASUREMENT. ORA LABORATORY
PROCEDURE. Food and Drug Administration. Document No.: ORA-LAB. 5.4.6.
6. USP, <1058> ANALYTICAL INSTRUMENT QUALIFICATION
7. Леонтьев Д.А., Гризодуб А.И., Архипова Н.Н., Зволинская Н.Н., Доценко Т.Н., Денисенко
Н.В.. Воспроизводимость фармакопейных методик ВЭЖХ при количественном определении
лекарственных средств в разных лабораториях: роль неопределенности пробоподготовки //
Фармаком. – 2003. - № 4, с. 4-12.
8. Гризодуб А.И., Зволинская Н.Н., Архипова Н.Н., Леонтьев Д.А., Денисенко Н.В., Доценко
Т.Н. Воспроизводимость фармакопейных спектрофотометрических методик количественно-
го определения лекарственных средств в разных лабораториях // Фармаком. – 2004. - № 2, с.
20-34.
9. Леонтьев Д.А., Гризодуб А.И., Подпружников Ю.В., Иванов Л.В.. Фармакопейные аспекты
методики определение молекулярно-массового распределения в субстанции «Декстран 40» и
готовом лекарственном препарате «Реополиглюкин” // Фармаком. – 2004. - № 1, с. 3-21.
10. Quantifying Uncertainty in Analytical Measurement. EURACHEM / CITAC Guide CG 4. Досту-
пен в Интернете.
11. Technical Guide for the Elaboration of Monographs. http://www.edqm.eu/en/Technical-Guides-
589.html
12. USP, <41>. WEIGHTS AND BALANCES.
13. USP, <1251>. WEIGHING ON AN ANALYTICAL BALANCE.
14. USP, <31>. VOLUMETRIC APPARATUS.
15. А.G.J. Daas, J.H.McB Miller. Content limits in the European Pharmacopoeia// Pharmeuropa,
March 1997, V.9, № 1, p. 148-156.
16. A.G.J. Daas, J.H.McB Miller. Content limits in the European Pharmacopoeia// Pharmeuropa,
March 1998, V.10, № 1, p. 137-146.
17. Гризодуб А.И., Леонтьев Д.А., Левин М.Г. Метрологические аспекты официальных методик
контроля качества лекарственных средств. 1. Методики ВЭЖХ// Фізіологічно активні речо-
вини. – 2001. - № 1 (31), с. 32-44.
18. 2.2.25. Абсорбционная спектрофотометрия в ультрафіолетовій и видимій областях // Дер-
жавна Фармакопея України / Державне підприємство “Науково-експертний фармакопейний
центр”. – Доповнення 2. - Харків: Державне підприємство “Науково-експертний фармако-
пейний центр”. – 2008. – С. 50-55.
19. Гризодуб А.И. Валидация спектрофотометрических методик количественного анализа ле-
карственных средств в соответствии с требованиями ГФУ // Фармаком. – 2002. - № 3. – С.
42-50.
20. Гризодуб А.И., Зволинская Н.Н., Архипова Н.Н., Леонтьев Д.А., Денисенко Н.В., Доценко
Т.Н. Воспроизводимость фармакопейных спектрофотометрических методик количественно-
го определения лекарственных средств в разных лабораториях // Фармаком. – 2004, № 2 – С.
20 - 34.
21. ОМУ 64-102-85. Оценка однородности материала стандартных образцов лекарственных ве-
ществ. Общие требования. М.: Министерство медицинской промышленности, 1985, 13 с.
22. А.И. Гризодуб, Д.А. Леонтьев, М.Г. Левин, Н.М. Асмолова, Е.В. Вырова. Выполнение тес-
тов "Однородность содержания" и "Растворение" хроматографическими методами при се-

68
 рийном контроле качества лекарственных средств. 1. Общая схема эксперимента // Журн.
органічної та фармацевтичної хімії. – 2004. – Том 2, випуск 1(5). – С. 24-34.
23. А.И. Гризодуб, Д.А. Леонтьев, М.В. Дмитриева. Обеспечение фармакопейных требований к
растворению твердых дозированных форм с традиционным высвобождением// Фармаком. –
2006. - № 4, с. 39-50.
24. ГОСТ 4181:2003. Спирт этиловый ректифицированный и спирт этиловый – сырец. Правила
приемки и методы испытания. – Киев: Гостстандарт Украины. - 2004.- 26 с.
25. Assuring the quality of test results.- ORA LABORATORY PROCEDURE. Food and Drug Ad-
ministration. Document No ORA – LAB 5.9.
26. Гризодуб А.И., Леонтьев Д.А., Терно И.С., Котов А.Г. Метрологические аспекты испытаний
«Потеря в массе при высушивании» и «Вода» в субстанциях и готовых лекарственных сред-
ствах/ Фармаком. – 2010. - № 4, с. 7-25.
27. QUALIFICATION OF EQUIPMENT. ANNEX 3: QUALIFICATION OF UV-VISIBLE
SPECTROPHOTOMETERS. OMCL Network of the Council of Europe. QUALITY
ASSURANCE DOCUMENT. PA/PH/OMCL (07) 11 DEF CORR.
28. Гризодуб А.И. Применение спектрофотометрии в видимой и УФ областях спектра в контро-
ле качества лекарственных средств / Аналитическая химия в создании, стандартизации и
контроле качества лекарственных средств: в 3 томах на русском языке/ Аналитическая хи-
мия в создании, стандартизации и контроле качества ЛС. Под ред. Члена - корр. НАН Ук-
раины Георгиевского В. П. – Харьков: изд. НТМТ, – 2012. – Т. 1. В печати, распространяется
Государственным Предприятием «Украинский Научный Фармакопейный Центр качества ле-
карственных средств.
29. Руководство FDA: Guidance for Industry. Investigating Out of Specification (OOS) Test Results
for Pharmaceutical Production.
30. Дерфель К. Статистика в аналитической химии. Пер. с нем. – М.: Мир, 1994. – 268 с., ил.
31. Pharmaceutical statistics: practical and clinical applications/ Sanford Bolton. – 3rd ed. – 737 p.
32. Гризодуб А.И. Стандартизованные процедуры валидации методик контроля качества лекар-
ственных средств/ Аналитическая химия в создании, стандартизации и контроле качества ЛС.
Под ред. Члена - корр. НАН Украины Георгиевского В. П. – Харьков: изд. НТМТ, – 2012. – Т. 3.
В печати, распространяется Государственным Предприятием «Украинский Научный Фармако-
пейный Центр качества лекарственных средств.

69