药品无菌包装取样大小及统计处理三
2023-03-17 来源：太原机械信息网
药品无菌包装:取样大小及统计处理(三)
无论工艺不合格率是多少，随取样数 n 增大，通过确认的几率减小。表 2 说明，工艺不合格率 π=0.65% 、 n=30 时通过确认的几率为 82.2% ；而当 n=200 时通过确认的几率为 27.1 ；当 n=400 是几率仅为 7.4% 。
当 π=0.25% 、 n=30 时，通过确认的几率为 92.8% ；当 n=200 时，几率为 60.6% ； n=400 时为 36.7% 。应当注意只有当工艺不合格率是 0 的时候，通过确认的几率才可能是 1 。前文已经提到， 0.25% 和 0.65% 均为 FDA 规定的 AQL 水平。表 2 中也包括 n=106 、 π=0.65% 的情况，此时 Pq=50% ，也就是说通过确认和未通过确认的可能性各占 50% ，。表 2 还说明，当 π=0.25% 、 n=277 时， Pq=0.50 。
取样数、二进制数据和变量数据
某些从业者存在这样的误解，认为取样数 n=30 作为一项检测结果推论的基础有些不可思议。这可能因为，当取样数为 30 或更大时，某些样本统计分析的样本分布能够产生较好的正态近似结果。计算技术的进步极大地降低了进行统计分布估算的需要。另外， 要进行推论的各种情况背景也会要 求 必需的精确度和风险控制 。因此，有必要确定取样数。而实际上， 30 这一取样数并没有什么不可思议的。
随机抽样在特殊事件的定量分析上存在着局限性。表 1 中，在从稳定的工艺或呈贝努利分布 B （ 1 ， π ）的总体中随机选取的 n=30 样本中，如检测结果为零不合格， π 值为 [0 ， 7.4] （ π 为百分不合格几率）时，会得到单侧 90% 置信区间。不合格率的估计上限为 7.4% ，这一数值如作为医疗器械产品的染菌几率，是不可靠也不可接受的。
虽然二进制数据处理起来比较困难，但它是在评估终点检测结果过程中自然产生的。二进制数据是所谓质量分类试验的结果，因为质量分类是根据合格或不合格来检查和报告的。例如，包装检测中常用的质量分类二进制数据为包装完整率（完整或不完整）。二进制数据也可通过删减或检查变量数据（有时可能由检测过程本身产生）获得。例如，微生物检测报告可表述为检出或未检出。虽然一个纸箱对振荡冲击试验可能表现出不同程度的反应，但最后报告的结果则可被简化为合格或不合格。
在某些情况下，工程师可能使用统计分析、加速检测条件和工程知识对一个小的几率进行推论。通过在比实际条件更苛刻的条件下检测，可确认标准工艺和试验工艺以及相关产品的不合格率。在上述条件下，测试者可以通过使用较小的、更容易管理的取样数在更大的不合格几率之间区分不同工艺的差异。工程判断和理论必须能够解答以下问题：极端条件下改善的结果是否可以解读为在实际条件下改善的结果？
变量数据是在定量测量或顺序量表测量过程中产生的。这些数据经常能提供比二进制数据更有说服力的信息。工程实践、知识以及模型有时引导人们对变量数据进行研究和分析。例如，充分了解密封不合格与密封强度之间关联的工程师将会把他们的分析重点放在后者上（即密封强度上）。在气泡检测中，气孔大小与压力之间的关系可便于了解包装完整性的状况。
二进制数据转化为变量数据的另一个途径是不断进行检测直至产生不合格。此检测方式在包装中比较常见。检测纸箱时，使其从高处坠落直至出现不合格，分析不同的高度数据以评估其结果及相互间的差异。密封强度可通过连续变量（如施加压力直至密封破裂）来定义。进行压力衰变测试可利用压力检测密封袋的完整性。
了解预测变量的拐点及边缘效应与发生不合格之间的联系很重要。在逻辑回归中，通过一个或多个变量可预测出两组解。通过连续二元变量的逻辑回归可得到有用的模型，帮助人们理解上述效应。某些情况下，可保持低的不合格率。此时，需要利用一些较之实际情况更极端的条件来识别这些不合格情况。这样做的目的在于，通过促使不合格发生，从而评估上述效应。而这些模型能够提供更多的信息，提高工艺改进时的工程判断能力。
为确定 n ，时刻牢记 OQ 可能增加不利确认的几率至关重要。不利确认的因素包括在工艺范围内的极端条件下进行包装以及使产品经受分布测试模拟的极端条件。因此，在确定 n 值时，同时利用合理的工程判断和有关随机抽样模型统计检测的操作特征方面的知识，这一点很重要。
(待续)
声明：
本文来源于网络版权归原作者所有，仅供大家共同分享学习，如作者认为涉及侵权，请与我们联系，我们核实后立即删除。