3. Многопараметровый анализ данных (MVDA) для многопараметрового статистического контроля процессов (MSPC)

Многопараметровый анализ данных (MVDA), включая анализ основных компонентов (PCA) и анализ на основе частных наименьших квадратов (PLS), могут использоваться для моделирования фармацевтических процессов. Анализ основных компонентов часто используется для обзора данных, например, для выявления групп и тенденций в массиве наблюдений, для оценки взаимосвязи между переменными и между наблюдениями и переменными. В то время как анализ на основе частных наименьших квадратов используется для установления связи между входными и выходными переменными с целью прогнозирования одного или нескольких компонентов. Вопросы, которые должны быть приняты во внимание при использовании модели многопараметрового анализа данных для многопараметрового статистического контроля процессов, включают в себя:

соответствуют ли метод подготовки проб для спектрального анализа и эталонный аналитический метод, используемые для анализа образцов, целевому назначению? Для онлайн-контроля или контроля в производственной линии, где нет выборки: какова повторяемость и воспроизводимость выборки в сочетании с аналитическим методом;

свидетельствуют ли массивы данных валидации (подготовки) и калибровка (испытаний) о прогнозируемой изменчивости процесса? Продемонстрирована ли применимость модели в пределах всего диапазона изменений, допускаемых пространством проектных параметров? В случаях если это трудно отразить, могут быть использованы результаты оценки риска. Влияние всех важных факторов риска должно быть проверено, и они должны быть включены в программы калибровки, валидации и испытаний;

достоверно ли изменяемость программы калибровки (испытаний) отражает большую часть изменяемых параметров валидации (подготовки);

были ли выявлены резко отклоняющиеся значения в исходном массиве данных и, если да, то действительно ли обоснование отказа от использования этих данных? Обратите внимание на то, что если массив данных, используемых для разработки модели, генерируется на основе экспериментальных данных, отказ от использования данных может иметь большее влияние на прогнозирующую способность модели по сравнению с историческими данными;

надлежащим ли образом информация, касающаяся предварительной обработки данных (при наличии), описана и последовательно ли применяется для всех массивов данных, используемых для создания, оптимизации и валидации модели;

надлежащим ли образом описаны методы моделирования на основе многопараметрового анализа данных, включая краткое обоснование выбора выбранного алгоритма;

согласны ли вы с выбором переменных, которые были включены в модели? Сравните с результатами оценки риска. Есть ли соответствующие источники вариации, не включенные в модель, и если да, то обосновано ли данное действие;

в отношении PLS-моделей, соответствует ли PLS-модель целевому назначению? Оптимален ли уровень сложности модели? Примечание: сложность PLS-модели обычно соответствует количеству PLS (латентных) факторов, приводящих к среднему квадратичному отклонению кросс-валидации самого низкого уровня. Сложность модели (количество PLS факторов, используемых для построения модели) должна быть продемонстрирована на графике, отражающем коэффициенты регрессии каждой переменной;

могут ли долевые соотношения (высокая/низкая) переменных в модели объясняться существующими научными знаниями или обоснованием относительно таких переменных и (или) производственного процесса;

оценена ли MVDA-модель статистически на предмет пригодности и прогностической способности? Стандартная погрешность прогнозирования должна быть рассмотрена в сравнении с точностью эталонного аналитического метода;

предложена ли схема проверки модели в отношении всего жизненного цикла продукта. Было ли определено, какие критерии послужат фактором, обуславливающим необходимость в обновлении модели, и адекватны ли такие критерии.