Académique Documents
Professionnel Documents
Culture Documents
Pourquoi et comment ?
Club Lyonnais de Chromatographie Liquide (AFSEP)
29 Janvier 2004
Serge Rudaz
Laboratoire de chimie analytique pharmaceutique
Université de Genèv e - Suisse
Développement
Développement
Prévalidation
Prévalidation
Validation
Validation
Robustesse
Robustesse Application
Application
Contrôle
Contrôle
Connaissance des
Connaissance des limites
limites etet
des performances
performances de
de la
la méthode
méthode Ajustement
Ajustement
des
développée
ée
développ Transfert
Transfert
Laboratoire de chimie analytique pharmaceutique
Université de Genève
Calibration = Modélisation
Modéliser: :utiliser
Modéliser utiliserdes
desdonnées
donnéesexpérimentales
expérimentalespour
pour prévoir
prévoir une
uneinformation
information
quantitativeinconnue
quantitative inconnueYY ààpartir
partir de
de mesures
mesures de viaune
deXX via unecertaine
certaine «« fonction
fonction
mathématique»»: :
mathématique
1
Modèle linéaire
Avec une seule variable X le modèle s ’écrit : Y = β0 + β1 X + r
Y Y5
Y4
Y2
Y3
Y1
X1 X2 X3 X4 X5 X
Laboratoire de chimie analytique pharmaceutique
Université de Genève
Modèle linéaire
Les données
Les donnéesdisponibles
disponiblessontsonttoujours
toujoursenen Y = β0 + β1 X + r
nombrelimit
nombre limité,é, on
on obtient
obtient uniquement
uniquement uneune
« estimation
Y estimation
« » des coefficients b et b
» des coefficients b11 et b00 du du
Yèle
5 linéaire postulé.
modèle
mod linéaire postulé.
Y4
Y2
Y3
Y1
X1 X2 X3 X4 X5 X
Laboratoire de chimie analytique pharmaceutique
Université de Genève
r4
Y4
r2
Y2
r3 On mesure la somme des
Y3 carr és des écarts ri (r ésidus)
^
Y1 entre la valeur vraie et la
r1
Y1 valeur estim ée
Faire un ajustement:
c’est minimiser la quantit é :
S ri2 = S( Y i – Y i)
X1 X2 X3 X4 X5 X
Laboratoire de chimie analytique pharmaceutique
Université de Genève
2
Estimation des coefficients, moindre carrés
Dansce
Dans cesystème
systèmeles
lesßißi sont
sontles
lesinconnues
inconnues: :on onobtient
obtientles
lesestimateurs
estimateursbb0etetbb1
0 1
deßß0etetßß1au
de ausens
sensdes
desmoindres
moindrescarrés
carrés(b(best
i estl’estimation
l’estimationcalculée
calculéede
deßß)i ): :
0 1 i i
^ß = b = S(yi - y)(x i - x)
0 1 et ^
ß0 = b0 = y - b1 X
S (x i - x)2
Exemple :
Droite d ’étalonnage
Unit é de fluorescence
0
0 1 2 3 4 5 6 7
nM Y = 5,139 X – 0,418
Laboratoire de chimie analytique pharmaceutique
Université de Genève
sontdistribu
distribuésésselon
selonuneunedistribution
distributionnormale
normaleetetsont
sontégalement
égalementdes
des
sont
variablesalaléatoires
éatoiresqui
quiont
ontleurs
leurspropres
propresvariances.
variances.
variables
de
de moyenne
moyenne ßß11 etet de
de de moyenne
de moyenne ßß0 et et de
de
variance
variancevar(b
var(b1)1) var(b)00)
variancevar(b
variance 0
3
Simplification du modèle de calibration
Jour 3 Jour 3
rdf60 - 140 %
rdf60 - 140 %
Droite Droite
std 60 - 140 % o.o - 100 %
y = b0 + b1x + b2x2 b2
t=
é.type (b2)
Comment ? En testant si b2 = 0.
4
Analyse globale
SCET = SCEL + SCER
Variation totale Variation due à la liaison Variation résiduelle
r5
r4
-
Y
r2 r3
r1
1.4 1.8
2
2 1.6 R = 0.820
1.2 RR2 ==0.820
0.820 1.4 R2 = 0.820
1 1.2
0.8 1
0.6 0.8
0.6
0.4
0.4
0.2 0.2
0 0
0 2 4 6 8 10 12 14
0 2 4 6 8 10 12 14
5
Analyse de la variance
Sources Degrés Sommes des Carrés
de variation de lib. Carrés des Ecarts moyens Fcalc Signif.
r5
Testde
Test deF1:
F1:
r4 Existenced’une
Existence d’une
-
Y pentesignificative
pente significative
r2 r3
(SFSTP 92)
(SFSTP 92)
r1
Peu informatif
Peu informatif
Manque d’ajustement
Tableau X Test de validité de la droite de régression (rdf)
Test de Fisher (F2 ) comparant les erreurs d'ajustement et expérimentales
Variations DDL Somme carré Variance F2 calculé
Erreur de la régression 3 4.07E+00 1.36E+00
4.560
Erreur expérimentale 10 2.97E+00 2.97E-01
F(0.05;3;10) 3.708 Test -
140.0
Diagnostique
120.0
Une seule solution mère ayant
100.0
servi à l’établissement des
Réponse
80.0
différents niveaux de
60.0
STD
concentration
40.0
RDF
20.0
Travail « trop » précis
0.0
0.0% 20.0% 40.0% 60.0% 80.0% 100.0% 120.0% 140.0% Problème de l’hypothèse H0
Concentration
2.0
1.5
y = 0.0013x + 0.0374
1.0
R2 = 0.996
0.5
0.0
0 200 400 600 800 1000 1200 1400 1600 Analyse des résidus
0.15
0.1
Variances 0.05
Résidus
0
0 200 400 600 800 1000 1200 1400 1600
-0.1
-0.15
Concentration [n g/ m l ]
6
Tests sur les variances
La simple r égression nécessite l’homog énéit é des variances
erreur sur la réponse est indépendante du niveau
Conditions non respectée en cas de domaine de concentrations étendu
(àméthodes bioanalytiques )
1) Test de F
(variance max)
2) Test de Cochran
(variance max)
3) Bartlett
(homogénéité de la dispersion)
4) Levène
Régression pondérée
0.70
S ri2 = Sw (y – y)2
0.60
0.50
0.40
0.30
0.20
Facteur de pond ération w
0.10
0.00
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1/x0.5 , 1/x, 1/x2 , 1/y0.5 , 1/y, 1/y2 , etc.
0.006
Choix de w
0.005
0.003
Prévalidation – approche SFSTP 1997 w = 1/x?
avec log(var) = · log(conc) + o.o.
0.002
0
1 2 3 4 5
Ex. ? = 2
0.001
y = 1.7231x - 8.4095
1-
-2
0
0 10 20 30 40 50 60 70 80 90
-3
-6
Changement de variables
ICH
Il peut être n écessaire dans certains cas, pour obtenir une
relation linéaire entre les résultats du dosage et la
concentration, d’appliquer une transformation
mathé matique aux résultats d’essai avant d’effectuer
l’analyse de régression”
Combinaison possible :
Changement de variable et pondération
Contraintes de régression identiques (homoscédasicité)
7
Fonction réponse
2.5
2.0
1.0 2
R = 0.996
0.5 Sans transformation
de variable
0.0
0 200 400 600 800 1000 1200 1400 1600
Conc. [ppb]
1.6
1.4
Avec transformation 1.2
0.6 R2 = 0.9976
Sqr
0.4
0.2
0.0
0 5 10 15 20 25 30 35 40
Sqr (Conc.)
Laboratoire de chimie analytique pharmaceutique
Université de Genève
0.1 0.1
0.05 0.05
Résidus
Résidus
0 0
0 200 400 600 800 1000 1200 1400 1600 5 10 15 20 25 30 35 40 45
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
Concentration [ ng/ml] Concentration transformée [ ng/ml]
8
Principe de l’étalonnage inverse
signal
Fonction réponse
Intervalle de dosage
Concentrations Concentration
théorique obtenues
OBJECTIF Générique
Simulation du travail de
routine à l'aide d' échantillons
de concentrations connues
domaine
(Standard de validation : QC)
Standards de calibration:
Fonction réponse à 2003
Contrôle qualité: Linéarité, répétabilité, Toutes m éthodes confondues
fidélité intermédiaire, exactitude
9
Tramadol
Fluorescence
UV
Calculs effectués :
Disposition expérimentale ?
6 standards de calibration
Laboratoire de chimie analytique pharmaceutique
Université de Genève
Intervalle de dosage
signal
Designde
Design decalibration
calibration
Normatif(Ex.
Normatif (Ex.FDA
FDA 2001)
2001)
Cal 12.5%
CalX :
Standard de calibration
Cal 2-3LOQ
Cal LOQ Cal 25% Cal 50% Cal 100%
10
Design de Calibration 2 : k=2 / n=3
Intervalle de dosage
signal
Linéaire
Linéaire
k=2,n=3
k=2, n=3
CalX :
Standard de calibration
Intervalle de dosage
signal
QuadratiqueDD––Optimal
Quadratique Optimal
k=3,n=2
k=3, n=2
SFSTP 2003
SFSTP 2003
CalX :
Standard de calibration
Données de Calibration
Modèle de calibration #
Données de Validation
Recalcul des QC
Résultats Modèle #
11
Recalcul des QC – Fonction de transfert
Régression lin éaire simple (OLS)
Etalon externe
Régression lin éaire pond ér ée (WLS)
Transformation Logarithme (OLS)
Transformation Racine carr ée (OLS)
Transformation Logarithme (WLS)
Concentrations Concentration obtenues
Concentrations
théoriqueTransformation Racine
8 jours, carr
k=3,
Concentration n=2ée (WLS)
obtenues
Concentrations
théoriqueQuadratique Concentration
(OLS) obtenues
théorique
Concentrations
Quadratique Concentration obtenues
pond ér é (WLS)
Concentrations
théorique Concentration obtenues
théorique
Concentrations Concentration obtenues
théorique
Concentrations Concentration obtenues
théorique
Concentrations Concentration obtenues
théorique
Concentrations Concentration obtenues
théorique
p −1
LC b = b ± t 0. 1 s b
2 LC inf SFSTP
LC sup 0.85 - 1.15 Estimateur : R2
Laboratoire de chimie analytique pharmaceutique
Université de Genève
Linéarité
12
Justesse - Biais
100
13
Impact du modèle sur la précision
Discussion
A partir d’une certaine concentration, tous les modèles sont
équivalents en terme de prédiction sur des standards de
validation (analyte dépendant).
Pour la justesse, les concentrations les plus basses sont les
plus sensibles. Pour la précision, l’impact du choix du
modèle est relatif.
Le 1-level (étalon externe) est le moins bon. Il ne doit être
utiliser que dans des problématique bien précises.
Les régressions pondérées sont performantes et
correspondent à la réalité du phénomène (domaine étendu)
Ne pas sur-modéliser pour éviter des problèmes
en routine
14
Discussion
Remerciements
Dr Philippe Hubert
Service d'Analyse des M édicaments, Institut de Pharmacie
(Universit é de Liège, Belgique) – Commission SFSTP
15