Академический Документы
Профессиональный Документы
Культура Документы
В ФАРМАЦЕВТИЧЕСКОМ АНАЛИЗЕ
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
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:
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.
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).
6
3.b. Процедуры, необходимые для обеспечения контроля неопределенности
в лаборатории
Для обеспечения корректности результатов анализа система качества лаборатории
должна включать следующие элементы:
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
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)
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
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 %.
BH BL
Готовые ЛС Аs 0 . 32
2
Однородность содержания, Растворение ΔАs ≤ 3%
Сопутствующие примеси:
Граничные испытания Δimp ≤ 16%
Количественные испытания Δimp ≤ 5%
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!
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.
Обе погрешности зависят как от объективных факторов (методика анализа, прибор), так и от
субъективных факторов (аналитик).
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.
Практическое следствие: чем больше результатов измерения, тем больше размах варьирования!
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
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:
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 .
s
На практике удобно использовать относительные величины: RSD 100% и
x
t ( P , ( n ) ) RSD ( n )
x ,r
n
«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 21 50 %
2 32 33%
9 109 10 %
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
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])
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).
19
K x1 x2 ...xm
y (9.4)
xm 1 xm 2 ...xn .
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
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
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.
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.
Пр
i
2
Пр , i
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!
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)
26
Допустимое отклонение от номинального объема градуированных пипеток (ISO/ГОСТ)
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.
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:
29
11.a.ii. Оптимизация минимально допустимого числа
параллельных хроматограмм – подход ГФУ
Неопределенность конечной аналитической операции оценивают по формуле:
RSDmax t95%,n1
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
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).
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
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, %
Испытуемый раствор
1. Навеска препарата =0.2/500100%=0.04
2. Взятие аликвоты раствора внутреннего 0.25
стандарта пипеткой 10 мл (с одной меткой)
Раствор Сравнения
3. Навеска =0.2/100100%=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
Испытуемый раствор
1. Взятие аликвоты препарата пипеткой 0.38
5 мл
2. доведение до объема 100 мл 0.12
Раствор Сравнения
3. Навеска =0.2/100100%=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
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.
«белая
зона»
«серая зона»
«черная зона»
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.
36
13.c. Количественные тесты: Однородность содержания (ЕФ 2.9.6) и
Растворение для твердых дозированных форм (ЕФ 2.9.3)
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).
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%.
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.
40
Как можно видеть, даже для n = 2 критическое значение RSDmax несколько меньше, чем оценен-
ное по требованиям из допусков содержания.
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
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).
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.
«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
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.
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.
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.
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
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.
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).
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.
47
Результат: s-образная зависимость (характерная для ГПХ) «перевернута».
48
Результат: в диапазоне калибровки данная зависимость наилучшим образом описывает экспе-
риментальные данные. Экстраполяция в сторону высоких молекулярных масс недопусти-
ма!
ЛИНЕЙНЫЕ 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!
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.
50
Остаточное стандартное отклонение s0. Характеризует разброс значений yi относительно
значений Yi :
среднего значения y.
(от 0 до 1; знак - только положительный!)
Внимание! Для полиномов более высоких степеней коэффициент корреляции не имеет просто-
го физического смысла! (т.е. его трудно увязать с неопределенностью)
51
Центр координат
точка с координатами:
;
7
6
y — среднее значение; пj — число вариант (парал-
5
Y A x is Title
X axis title
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»).
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
S 02
Rc r 1
SDY2
Требования к свободному члену.
200
180 Пределы
содержания Y = bX
160
140 Y = a + bX
120
40
a
20
ДовИнт a
0
Номинальное
0 20 40 60 80 100 120 140 160 180 200
54
0 . 32 As , r
Практическая незначимость по сравнению с ΔAs: a
1 ( X min / 100 )
Хmin – минимальная граница для симметричного диапазона.
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 maxAs с параметрами линейной зависимости. Для весо-
вой регрессии понятие r не имеет смысла.
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 maxAs 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).
Проверка весов. Частота в соответствии с СРМ. Может быть частично замещена калибровкой
по внутренней гире. Критерии – как для чувствительности.
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
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 ).
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
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.
Статистические приемы
Объединение стандартных отклонений. Если имеется g выборок из одной генеральной сово-
купности с порядковыми номерами k (1kg), расчет дисперсии s2 целесообразно проводить по
формуле:
k g i nk i nk 2
kg
kg
d 2
ik nk 1s 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
kg kg
k s 2
k ,r k RSDk2
sr2 k 1
,
2
RSDtot k 1
t t
g
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.
n
k 1
k xk
x kg
k 1
nk
Необходимым условием совместной статистической обработки нескольких выборок является
2
отсутствие статистически значимой разницы между отдельными значениями sk .
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.
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
Дополнительная литература
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