Vous êtes sur la page 1sur 45

Introduction

1
I. INTRODUCTION GENERALE

I.1. CYCLE DE VIE DUNE METHODE ANALYTIQUE

Une mthode analytique est un moyen visant exprimer concrtement un besoin bien
exprim, ou encore cest la rponse matrialise un problme donn, comme par exemple
dans le cadre de notre travail la prsence dimpurets (chirales) dans un mdicament, nfastes
pour la sant et dont il faudra dterminer la teneur. Dans le domaine analytique, deux types de
mthodes sont mentionns, les mthodes qualitatives et les mthodes quantitatives. Par
rapport cette dernire, lobjectif dune mthode analytique peut se rsumer en sa capacit
quantifier chacune des quantits inconnues prsentes dans un chantillon. La mise en uvre
dune mthode de dosage peut se dcomposer en quatre grandes phases gnralement
successives telles quillustres dans la figure I.1. [1] :
- une phase de Slection o des objectifs et des conditions opratoires initiales sont
dfinis ;
- une phase de Dveloppement, avec ou sans optimisation au moyen de plans
dexpriences ;
- une phase de Validation (Validation Interne/Externe) prcde, selon les cas, dune
phase de prvalidation ;
- une phase dapplication en routine (Usage en routine), incluant le plus souvent une
validation en routine et parfois une validation partielle ou une revalidation.


Introduction

2


















Figure I.1. Cycle de vie dune mthode analytique

Lgendes : Les tapes sont reprises dans un rectangle vert (gras), les tests associs dans un
rectangle bleu et les critres pour lvaluation dans un rectangle non colori (italique).



I.1.1. SELECTION DUNE METHODE

Ltape de la slection est critique pour un analyste. En effet, tant le point de dpart
dune mthode, cest delle que dpendent les autres tapes et plus particulirement les
dcisions qui seront prises. De ce fait, elle ncessite de bien cerner la problmatique en vue de
dfinir clairement les objectifs pour proposer des solutions appropries, matrialises en
termes de conditions opratoires (output). Un problme mal cern conduit des dcisions
inappropries, avec comme consquence la perte de temps, de ractifs et dargent, do la
Optimisation des
paramtres instrumentaux,
des conditions opratoires,
tablissement des
procdures opratoires
standardises
SELECTION
DEVELOPPEMENT
VALIDATION
EXTERNE
USAGE EN
ROUTINE
Spcificit - Slectivit,
Justesse, Linarit,
Prcision, Exactitude,
Fonction de rponse,
Limites de dtection et
de quantification
Reproductibilit /
Rptabilit
Choix des analytes,
Type de technique,
Signal
Planification des contrles,
Plan dchantillonnage,
Capacit de mesure
Expertise de
lanalyste
Optimisation
Test de
robustesse
Plan exprimental
Procdures de
validation
Etudes inter-
laboratoires
Tests daptitudes
Carte de contrle
Test de robustesse
Optionnelle
REVALIDATION
Vrification
des aptitudes
VALIDATION
INTERNE
Optimisation des
paramtres instrumentaux,
des conditions opratoires,
tablissement des
procdures opratoires
standardises
SELECTION
DEVELOPPEMENT
VALIDATION
EXTERNE
USAGE EN
ROUTINE
Spcificit - Slectivit,
Justesse, Linarit,
Prcision, Exactitude,
Fonction de rponse,
Limites de dtection et
de quantification
Reproductibilit /
Rptabilit
Choix des analytes,
Type de technique,
Signal
Planification des contrles,
Plan dchantillonnage,
Capacit de mesure
Expertise de
lanalyste
Optimisation
Test de
robustesse
Plan exprimental
Procdures de
validation
Etudes inter-
laboratoires
Tests daptitudes
Carte de contrle
Test de robustesse
Optionnelle
REVALIDATION
Vrification
des aptitudes
VALIDATION
INTERNE
Introduction

3
ncessit dune bonne expertise de lanalyste qui devra sappuyer sur un maximum da priori,
dinformations pertinentes (input). La slection de la mthode tant faite, il est indispensable
deffectuer des expriences complmentaires en vue de sassurer du bien fond de la mthode
et de la capacit de sa mise en uvre par le laboratoire par rapport lusage requis [1].



I.1.2. DEVELOPPEMENT DUNE METHODE

La ralisation de cette phase peut se faire au moyen ou non dun plan dexpriences
selon la problmatique dfinie lors de ltape de la slection. Toutefois, il savre que dans
certaines situations, bien que les conditions opratoires analytiques soient optimises,
lapplication en routine de mthodes analytiques naboutit pas forcment un rsultat
satisfaisant. En effet, dautres objectifs sont parfois ajouts en phase de routine, par exemple
ladaptation dune mthode pour le dosage dune molcule similaire ou dimpurets
dcouvertes en phase de routine quil faudra quantifier imprativement, utilisation de la
mthode dans une autre application (bioanalyse). Dans ce cas, il est indispensable doptimiser
nouveau la mthode et recourir un plan dexpriences.


I.1.2.1. MTHODOLOGIE DES PLANS DEXPRIENCES

Les plans dexpriences font partie de la chimiomtrie [2]. Lobjectif poursuivi est de
fournir lanalyste, moyennant un nombre dexpriences restreint, un maximum
dinformations pertinentes pouvant expliquer certains effets, informations susceptibles de ne
pas tre obtenues par la mthodologie classique univarie. Cette dernire ne fournit des
informations que pour un seul facteur tudi, les autres facteurs tant maintenus un niveau
constant.
Puisque dans la mthodologie des plans dexpriences, tous les facteurs sont tudis
simultanment, la stratgie consiste raliser les expriences de manire programme et
raisonne en faisant varier les niveaux de tous les facteurs la fois [3-5]. Le meilleur moyen
pour y parvenir, tout en expliquant les phnomnes observs et en exploitant les rsultats
obtenus, est lutilisation des outils mathmatiques combins aux outils statistiques ce qui,
Introduction

4
paradoxalement, rend complexe leur mise en uvre. Cependant, grce lapport fondamental
de linformatique, au dveloppement et la disponibilit de nombreux logiciels dvelopps
cet effet, leur utilisation est maintenant rendue plus accessible et surtout plus rapide.
Plusieurs types de plans sont dfinis pour raliser les expriences et sont dcrits dans
la littrature [6-9]. Retenons que les plans dexpriences sont gnralement rpartis en plans
factoriels complets et fractionnaires. Cependant, pour le choix dun plan adquat, il y a un
certain nombre de prrequis tels que lobjectif poursuivi par lanalyste, le type et le nombre de
facteurs tudier, les informations recueillir, et mme les exigences de lexprimentateur.


I.1.2.2. MODLISATION

Sans une modlisation, les plans dexpriences nont aucune valeur informative ni
exploitable. La modlisation permet dexprimer la relation entre, dune part, la rponse (Y)
qui le plus souvent, est un paramtre de performance de la mthode analytique, et, dautre
part, les facteurs tudier (X
1
, X
2
, X
3
X
p
). Le choix du modle (premier ou second degr)
dpendra des objectifs poursuivis, du nombre de facteurs considrs ainsi que du nombre de
niveaux tester par facteurs. Lquation I.1. reprsente un modle appliqu sur la base dune
rgression linaire multiple pour p facteurs :



= = =
+ + + =
p
j
p
k
k j jk
p
i
i i
X X X Y
1 1 1
0
(I.1.)

Dans cette quation, le terme quadratique apparat dans la double somme lorsque j est
gal k, et lorsque j nest pas gal k, le terme correspond une interaction entre le facteur j
et le facteur k ; tant quant elle lerreur rsiduelle. Signalons encore quun terme
quadratique ne peut tre obtenu quavec un plan dexpriences dans lequel plus de deux
niveaux sont envisags.


I.1.2.3. OPTIMISATION

Lune des applications des plans dexpriences correspond au criblage dans un
domaine exprimental fix, de tous les facteurs potentiellement influents, y compris ceux qui
Introduction

5
ne semblent ne jouer quun rle mineur. Les plans exprimentaux appropris dans ce cas sont
des plans factoriels complets ou fractionnaires deux niveaux. Les facteurs ayant une
influence rellement significative tant identifis, leur optimisation peut ensuite tre
envisage. Elle consiste en la slection parmi la multiplicit de solutions potentielles, de la
meilleure solution par rapport des critres bien dfinis et ce, toujours au moyen des plans
dexpriences. Cependant, les plans factoriels deux niveaux ne conviennent pas pour
lexamen des situations spcifiques loptimisation, par exemple les effets quadratiques qui
doivent pouvoir tre valus au mme titre que les effets principaux et les interactions
ponctuelles entre les diffrents facteurs. Ainsi, il est ncessaire de recourir un modle du
second degr. Lquation I.2. illustre un exemple de modle pour lequel trois facteurs (X
1
, X
2

et X
3
) sont considrs :

Y =
0
+
1
X
1
+
2
X
2
+
3
X
3
+
11
X
1
2
+
22
X
2
2
+
33
X
3
2

+
12
X
1
X
2
+
13
X
1
X
3
+
23
X
2
X
3
+ (I.2.)

Y tant la rponse,
1
,
2
et
3
les effets principaux de ces facteurs,
11
,
22
et
33
, leurs effets
quadratiques,
12
,
13
et
23
les effets dinteraction entre deux facteurs et lerreur rsiduelle.
La mise en pratique de tels modles ncessite lapplication de plans dexpriences adquats,
parmi lesquels peuvent tre cits le rseau de Doehlert, le plan factoriel complet 3 niveaux,
le plan algorithmique D-optimaux, le plan central composite et le plan de Box-Behnken [10-
12].
Cependant, il arrive parfois que, lors de loptimisation, la relation entre la rponse
slectionne et les facteurs tudis ne soit pas modlisable par les outils mathmatiques
usuels. Ce cas de figure est gnralement observ lorsque les rponses sont des paramtres
intermdiaires, comme par exemple la rsolution, frquemment utilise comme critre pour
qualifier loptimalit des conditions opratoires dune mthode sparative [13-17]. En effet,
on peut constater que la relation entre la rsolution et un facteur donn X dcrot jusqu un
minimum voire mme zro, puis ensuite crot [18]. Dans ce cas, il est recommand deffectuer
une modlisation indirecte qui peut se faire en deux tapes [19]: la premire consiste
modliser les diffrentes rponses directement issues de lexcution des expriences et
aisment modlisables, telles que le temps de rtention, le temps de migration ou les largeurs
mi-hauteur des pics des analytes. Ensuite, les rponses obtenues lors de cette premire tape
permettent destimer les diffrentes rponses non modlisables telles que la rsolution, le
facteur de symtrie, le nombre de plateaux thoriques. Celles-ci sont souvent des rponses
Introduction

6
dintrt puisquelles vont permettre de juger la qualit de la performance dune mthode
sparative obtenue pour chaque condition exprimentale relevant des facteurs concerns. Les
rponses dintrt doivent tre fonction des rponses obtenues la premire tape.


I.1.2.4. OPTIMISATION SIMULTANE DE PLUSIEURS RPONSES

Loptimisation des valeurs des facteurs peut devenir une situation difficile rsoudre,
en particulier lorsquil y a plusieurs rponses rendre optimales. Il est ds lors indiqu de
recourir des approches multirponses, par exemple celle propose par Lantri et Longeray
[2], qui considre lindice global dune sparation comme facteur de rponse permettant
dapprcier la qualit globale dune sparation ou encore celle qui utilise le critre
doptimalit de Pareto [20, 21]. Cette dernire approche qui a t introduite dans la
chromatographie par Smilde et coll. [21], permet de dcider de loptimalit dune exprience
en considrant le fait quil ny a aucune autre exprience qui ait un meilleur rsultat sur un
critre sans pour autant avoir un rsultat dfavorable sur un autre. Citons dautres approches
telles que celles utilisant les fonctions dobjectifs bass sur les rapports des rponses ou sur
les fonctions dutilit des rponses. Cependant, ces approches sont trs vite limites lorsque
limportance des rponses doit tre prise en considration de manire individuelle. Une autre
limitation non moins importante apparat lorsque, par exemple, les rponses impliquent aussi
des pics non adjacents et plus particulirement lorsque celles-ci sont des rponses dintrt. Il
est alors recommand de sorienter vers des approches qui considrent la prise de dcision
base sur des critres multiples Multicriteria decision making et pondrables [20, 22, 23].
La fonction de dsirabilit dfinie par Harrington [24] et par Derringer et Suich [25]
est lune des approches les plus utilises. Initialement introduite en chromatographie liquide
par Bourguignon et Massart [26], la fonction de dsirabilit de Derringer a fini par tre
largement adopte par les analystes pour rsoudre des situations complexes lors de
loptimisation de mthodes analytiques [19, 27, 28-37]. Elle est base sur la transformation de
toutes les rponses obtenues partir de diffrentes chelles de mesure en une chelle
identique de dsirabilit et sans dimension. Les valeurs des fonctions de dsirabilit (d
i
) sont
comprises entre 0 et 1. Comme le montre la figure I.3. la valeur de 0 est attribue lorsque les
facteurs conduisent une rponse inacceptable (non dsirable) et celle de 1 lorsque la rponse
reprsente la performance maximale dsire pour les facteurs considrs [17, 26].

Introduction

7














Figure I.3. Dsirabilit (d
i
) dune rponse Y
i
pour un facteur considr r
i



Lquation permettant de calculer les valeurs de dsirabilit individuelles peut tre ainsi
prsente :

| |


< <

=

max ,
max , min ,
min ,
1
0
min , max ,
min ,
i i
i i i
i i
r
Y Y
Y Y
i
Y Y
Y Y Y
Y Y
d
i
i i
i i
(I.3.)

avec : Y
i,min
, la valeur en dessous de laquelle la rponse Y
i
ne convient pas (d
i
= 0) ;
Y
i,max
, la valeur cible au dessus de laquelle la rponse Y
i
est trs satisfaisante (d
i
= 1) ;
r
i
, le facteur modifiant limportance dune augmentation de la rponse Y
i
pour la
dsirabilit individuelle considre. Cela correspond la pondration du facteur
dpendant de lutilisateur en fonction du degr de dsirabilit que lon voudrait avoir
pour une rponse donne entre Y
i,min
et Y
i,max
.
Ensuite, lensemble des dsirabilits individuelles est rassembl en une seule dsirabilit
globale D qui est leur moyenne gomtrique. La valeur de D la plus leve est obtenue dans
les conditions o la combinaison des diffrentes rponses est globalement optimale.
d
i
0
1
Y
i,max
Y
i,min
Y
i
r
i
<1
r
i
=1
r
i
>1
Introduction

8


I.1.3. VALIDATION

La validation est lensemble des oprations effectues en vue de prouver quune
procdure est suffisamment exacte et fiable pour avoir confiance dans les rsultats fournis
pour lusage prvu (de la mthode de dosage) [38-43]. Plusieurs procdures ont t labores
cet effet [38, 44-49]. Dun point de vue statistique, elles prsentent certaines insuffisances,
notamment le manque de considration de la prise de dcision en fonction de limites
dacceptation dfinies a priori et du risque relatif lusage futur de la mthode.
Rcemment, une nouvelle stratgie de validation base sur le profil dexactitude a t
introduite [50, 51]. Elle est en parfait accord avec lobjectif dune mthode analytique,
savoir sa capacit de quantifier le plus exactement possible chacune des quantits inconnues
quun laboratoire aura dterminer [43]. A ce stade, il est important de dfinir certains termes
frquemment rencontrs en validation.
La justesse exprime ltroitesse de laccord entre la valeur moyenne obtenue partir
dune srie homogne de rsultats dessais et une valeur qui est accepte soit comme une
valeur conventionnellement vraie, soit comme une valeur de rfrence accepte. La mesure de
la justesse est gnralement exprime en termes de recouvrement et de biais absolu ou relatif
(erreur systmatique) [50, 52]. Une valeur conventionnellement vraie peut tre par exemple
un talon international, un talon dune pharmacope.
La fidlit exprime ltroitesse de laccord entre une srie de mesures provenant de
multiples prises dun mme chantillon homogne dans des conditions prescrites. La fidlit
fournit une indication sur les erreurs lies au hasard [50]. Elle peut tre value trois
niveaux, savoir la rptabilit, la fidlit intermdiaire et la reproductibilit. La
reproductibilit nest envisage que dans le cas dtude inter-laboratoires.
Lexactitude exprime ltroitesse de laccord entre le rsultat dessai et la valeur de
rfrence accepte, aussi appele valeur conventionnellement vraie . Ltroitesse daccord
ainsi observe est la rsultante de la somme des erreurs systmatiques et alatoires, en
dautres termes lerreur totale lie au rsultat [50, 52].
La nouvelle stratgie de validation permet dassocier les deux lments fondamentaux
de la validation que sont la justesse et la fidlit au rsultat final dune mesure, et par
consquent de tenir compte de lerreur totale de mesure (erreur systmatique + erreur
Introduction

9
alatoire) [50]. Le principe de cette stratgie de validation peut tre traduite par lquation I.4.
qui stipule que la diffrence entre une mesure (x) et sa vraie valeur () doit tre infrieure la
limite dacceptation () dfinie a priori.

< < < x x (I.4.)

La notion de limite dacceptation introduit donc un premier critre permettant lanalyste de
prendre des dcisions bas sur lobjectif de la mthode analytique. Communment, la limite
dacceptation est de 1% ou 2 % pour le dosage de principes actifs dans une matire premire,
de 5 % pour les formes pharmaceutiques et de 15 % pour les analyses dans les matrices
biologiques ou environnementales [50, 51]. Pour la dtermination des impurets, une limite
dacceptation minimale de 10 % est communment admise [53, 54].
Le profil dexactitude est construit partir des estims de lintervalle de tolrance
desprance de mesures attendues chaque niveau de concentration.
Une autre notion importante dfinie est celle de bonne procdure analytique avec
un risque connu qui peut se traduire par la relation suivante :

| | > x Pr (I.5.)

avec la proportion de mesures dans les limites dacceptation, et la grandeur dfinissant les
limites dacceptation fixes a priori en fonction des contraintes du secteur dactivit. Le
risque associ dune procdure svalue par la proportion attendue de mesures en dehors des
limites dacceptation [50, 55]. Le risque associ dpend des estims du biais et de la prcision
de la procdure analytique obtenus en phase de validation comme le montre la figure I.4.
Prcisons ds prsent que dans le cadre de notre travail nous avons considr quune
estimation est un moyen par lequel on obtient une valeur qui est l estim . La formule
qui est applique pour obtenir cet estim est quant elle l estimateur .
Introduction

10















Figure I.4. Profil dexactitude comme outil de dcision pour quatre mthodes M1 (fidle et
juste), M2 (fidle mais non juste), M3 (non fidle et non juste) et M4 (non fidle mais juste)


Ainsi, le profil dexactitude est un outil de dcision base sur le risque associ la mthode.
La notion de risque est lie la garantie concernant la future analyse des chantillons
inconnus tout en appliquant la mthode valide. Par consquent, le profil dexactitude peut
servir accepter ou rejeter une mthode analytique suivant lusage attendu. Par ailleurs, le
profil peut galement tre utilis comme outil de diagnostique. Par exemple, il peut tre utilis
pour slectionner le modle de rgression le plus appropri pour la calibration et pour
dterminer les limites de quantification suprieure et infrieure et slectionner ainsi que
lintervalle de dosage [54].
Une troisime notion relative cette nouvelle stratgie de validation importante dans
le cadre de notre travail est sa possibilit destimer lincertitude de mesure sur la base des
donnes de validation [1]. Cette notion sera explicite ultrieurement dans ce travail.



0% =
M1
M3
M2
| | > x Pr
+

M4
0% =
M1
M3
M2
| | > x Pr
+

M4
Introduction

11
I.1.4. ROBUSTESSE

Selon la figure I.1., la robustesse est considre comme une tude qui se ralise dans
les tapes de dveloppement et de validation. Selon ICH, la robustesse fait partie de la
validation [56] et est ralise en complment des expriences de validation. Cependant, dans
la pratique courante, les analystes la considrent trs souvent comme tant une tape distincte
de la validation. A cause du risque li lobtention dune mthode non robuste (perte de
temps, dargent et parfois frustration des oprateurs), certains analystes prfrent tester la
robustesse dune mthode en phase de dveloppement et doptimisation [56, 57].
La robustesse dune procdure analytique est la mesure de sa capacit ne pas tre
affecte par des changements faibles mais dlibrs des paramtres de la procdure [56, 58-
61]. Elle fournit une indication sur la fiabilit dune procdure lors de son usage normal [56-
61]. Suite lvaluation de la robustesse, une srie de paramtres permettant de vrifier les
performances du systme peuvent tre tablis en vue de sassurer que la validit de la
procdure est maintenue chaque application [62]. La robustesse peut donc servir fixer les
valeurs pour les tests de conformit du systme (System Suitability Test) ainsi que leurs
limites [59, 62, 63]. Elle est galement importante pour lidentification des facteurs
exprimentaux nayant pas ncessairement t valus en phase doptimisation mais qui
cependant, pourraient avoir une influence sur les rsultats. Il est en effet important de pouvoir
anticiper les problmes susceptibles de survenir lors de lapplication de la mthode, par
exemple lors de lanalyse en routine ou au cours dune tude collaborative [59, 63, 64]. Si les
mesures sont sensibles aux variations des conditions analytiques, il est alors exig de
maintenir les conditions opratoires aussi constant que possible ou dintroduire une
prcaution particulire dans la description de la mthode [62].
Ce sont gnralement les rponses qualitatives qui sont le plus souvent examines
pour valuer la robustesse dune mthode. Cependant, les rponses quantitatives doivent tre
considres tant donn lobjectif dune mthode qui est la dtermination quantitative dune
substance dans un chantillon. Il est ds lors envisageable de se servir de la robustesse comme
un outil de prdiction du comportement dune mthode lors de son usage. Particulirement
pour les rponses quantitatives, le test de robustesse peut servir prdire lexactitude et la
reproductibilit [59, 62, 65-67].
Parfois lexamen des graphiques des surfaces de rponse obtenus en phase
doptimisation peut servir de point de dpart pour une valuation prliminaire de la robustesse
Introduction

12
des facteurs tudis. Cependant, le meilleur moyen reste lapplication des plans dexpriences
qui, comme nonc prcdemment, offrent lavantage dtudier simultanment plusieurs
facteurs et den tirer les conclusions pertinentes. Bien quil existe quelques applications des
plans exprimentaux utilisant plusieurs niveaux [64, 65], ce sont surtout ceux deux niveaux,
notamment les plans factoriels fractionnaires [68-70] ou les plans de Plackett-Burman [70,
71] qui sont les plus utiliss. Ils conviennent pour lvaluation dun nombre relativement
important de facteurs avec un nombre relativement restreint dexpriences. De plus, seuls les
effets principaux des facteurs sont valus, ce qui simplifie lexploitation des rsultats. Du fait
de leur mise en uvre facile par rapport aux plans fractionnaires, les plans de Plackett-
Burman sont conseills pour les analystes peu expriments dans ce domaine. Quelques plans
recommands sont prsents dans le tableau I.1.


Tableau I.1. Plans de Plackett-Burman



Comme indiqu dans le tableau I.1., il est possible de tester la robustesse dune
mthode avec 7 facteurs opratoires et ce, en appliquant un plan de Plackett-Burman avec 8
expriences. Ainsi que la propos Hund et coll. [115], il est envisageable de simuler une
tude inter-laboratoires pour laquelle les normes ISO [52] exigent un minimum de 8
laboratoires.


Nombre de
facteurs
Plan de Plackett-Burman
slectionn
Nombre de variables
fictives (dummy)
Nombre
dexpriences
3 7 Plan pour 7 facteurs 4 0 8
8 11 Plan pour 11 facteurs 3 0 12
12 15 Plan pour 15 facteurs 3 0 16
16 19 Plan pour 19 facteurs 3 0 20
20 23 Plan pour 23 facteurs 3 0 24
Introduction

13

I.1.5. ETUDE COLLABORATIVE

Une tude collaborative (ou inter-laboratoires) ne constitue pas au sens strict une tape
du cycle de vie dune mthode. Cependant, elle est reprise au niveau des tests daptitude lors
de lutilisation en routine de la mthode (figure I.1.) dont elle est considre comme
prcurseur. Selon Lowthian et coll. [72], une mthode est dclare entirement valide lorsque
ses performances ont t prouves au moyen dune tude inter-laboratoires. Une tude inter-
laboratoires peut donc tre dfinie comme un ensemble dessais effectus momentanment
dans diffrents laboratoires reprsentatifs de la population de laboratoires susceptibles
dutiliser la mthode en routine.
Une tude inter-laboratoires fait intervenir notamment trois entits : laboratoire ,
mthode et substance (Figure I.5.).
















Figure I.5. Principaux objectifs (rectangles gris) poursuivis lors dune tude inter-
laboratoires pour les trois entits impliques (cercle gris en caractres gras) en se servant
des critres dfinis (rectangle avec caractres italiques).

Biais
Reproductibilit
Rptabilit
Performances
Biais
Performances
Prcision
Exactitude
Intercomparaison
Substitution
Transfert
Validation
Tests de
comptence
Estimation de
lincertitude
Dclaration
dincertitude
Certification
dune SCR
Composition
qualitative
Composition
quantitative
Mthode
Laboratoire
Echantillon
Biais
Reproductibilit
Rptabilit
Performances
Biais
Performances
Prcision
Exactitude
Intercomparaison
Substitution
Transfert
Validation
Tests de
comptence
Estimation de
lincertitude
Dclaration
dincertitude
Certification
dune SCR
Composition
qualitative
Composition
quantitative
Mthode
Laboratoire
Echantillon
Introduction

14

Ds lors, les diffrents objectifs poursuivis [73] se rapporteront ces entits dune manire ou
dune autre, ce qui concorde avec la dfinition donne par Horwitz dans le 4
me
rapport de
lUnion Internationale de Chimie Pure et Applique [74] et par Maier et coll. [75].
Au niveau de lentit mthode , ltude inter-laboratoires permettra den valuer les
performances en termes dexactitude, de biais et de prcision (rptabilit et reproductibilit)
[52, 73, 75-79] dans un but dintercomparaison ou de substitution de mthodes. Dautres
objectifs consistent dmontrer la capacit de transfert dune mthode selon des critres bien
dfinis [73, 78], de valider une nouvelle mthode ou une mthode amliore en la comparant
avec une autre dont la validit est avre ou une mthode de rfrence [75].
Par rapport lentit laboratoire , une tude permettra dvaluer ses performances
(biais du laboratoire) [73, 77]. Dans ce cas, il sera impliqu dans des tests daptitude
(Proficiency Testing Schemes) [80-82] dont les rsultats seront vrifis lors daccrditation
(ISO 17025).
Enfin, une tude inter-laboratoires pourrait servir lidentification des composs [73,
80], la dtermination de la composition quantitative dun chantillon [79] ou la
certification dune substance chimique de rfrence (SCR) [73, 78, 81, 83]. De plus, la
reproductibilit des rsultats peut tre dtermine, ce qui permettra de calculer lincertitude
des rsultats et de pouvoir estimer lincertitude associe aux futurs rsultats [84].
Ltude inter-laboratoires constitue certainement une tape pertinente pour une
mthode avant son application une large chelle. Par consquent, il est important quelle soit
bien prpare et mene convenablement selon un protocole bien dfini, judicieusement
labor pour permettre datteindre la plupart des objectifs fixs. Le protocole doit tre bien
compris par les diffrentes parties impliques et convenu entre elles. Ltude collaborative
doit reflter le plus possible lusage en routine de la mthode dans les conditions du
laboratoire daccueil. Au niveau de la prparation de ltude, il est indispensable de veiller
diffrents aspects notamment la comptence des diffrents oprateurs, le caractre appropri
des quipements utiliss, la pertinence des tests statistiques appliqus pour les traitements des
donnes, linterprtation des rsultats et ltablissement des conclusions [52, 73, 78, 85]. Les
aspects administratifs doivent aussi tre considrs. Un protocole trop charg, incompris ou
mal labor peut conduire des rsultats inutiles, scientifiquement inexploitables, et parfois
pouvant tre la cause des abandons dtudes. Ds lors, pour circonscrire ces situations, il est
utile deffectuer pralablement un test prliminaire pour valuer la mise en uvre par les
laboratoires de la mthode concerne et leur permettre de se familiariser au protocole dtude.
Introduction

15
Il se pourrait quune tude inter-laboratoires ne puisse pas aboutir des rsultats
attendus ou exploitables pour ltablissement de la reproductibilit. Dans ce cas, elle se
limitera la transcription des rsultats obtenus et un report des problmes survenus et
ventuellement des solutions proposes [86-89]. Une r-valuation de la mthode sera ds
lors envisage dans les phases prcdentes.


Introduction

16

I.2. INCERTITUDE

I.2.1. GENERALITES

A lheure actuelle, dans notre socit, le contrle de qualit devient de plus en plus
frquent et les exigences sur les rsultats rendus sont de plus en plus importantes. Il suffit de
considrer les domaines o interviennent les rsultats des mthodes de dosage pour sen
rendre compte: dveloppement et contrle de qualit des mdicaments, dtermination de
paramtres de biologie clinique, analyses toxicologiques et mdico-lgales, contrles
antidopage, analyses de dioxines et de polychlorobiphnyles (PCB), dadditifs dans les
aliments, etc.
Etant donn limportance des dcisions prendre, par exemple en conformit avec les
rglementations gouvernementales ou les limites fixer dans les commerces internationaux, il
est important de pouvoir dmontrer la qualit de ces rsultats. Pour ce faire, lapplication des
mthodes danalyse valides, des procdures dfinies de contrle de qualit interne et la
participation aux tests daptitude conformment la norme ISO/CEI 17025 [82] sont des
moyens utiliss en vue de satisfaire ces exigences. Par exemple, en industrie
pharmaceutique, comme le montre la figure I.6. les diffrentes tapes pour lobtention dun
rsultat sont vrifies par lassurance qualit.
Afin que les rsultats fournis soient valablement interprts et donc utiliss bon
escient, il faut quils soient fiables cest--dire que leur incertitude soit connue. De plus, il est
impossible de dterminer ladquation par rapport lobjectif dune mthode analytique sans
en comparer les estims de lincertitude de mesure avec la confiance exige [91]. Sans la
connaissance de lincertitude de mesure, la dclaration dun rsultat analytique ne peut tre
considre complte [92]. Cest pourquoi, la norme ISO 17025 impose depuis 2001 aux
laboratoires dessai et notamment tous les prestataires de services dans le domaine de la
sant humaine dappliquer des procdures pour lestimation de lincertitude de mesure pour
leurs rsultats dessais et de mesure et le cas chant, de rapporter cette incertitude [82, 93].

Introduction

17

















Figure I.6. - Diagramme dIshakawa prsentant les diffrentes interventions vrifies par
lassurance de qualit en vue de fournir au client de rsultats de qualit.


Cependant, bien que le concept dincertitude soit clairement tabli depuis un certain
temps (approches GUM et EURACHEM) [91, 93], il nen existe pas moins un foss entre ces
exigences normatives et la pratique quotidienne des laboratoires. En effet, les approches
mtrologiques prcites sont complexes, coteuses et souvent fastidieuses dans le cadre
danalyses impliquant de multiples sources derreurs. Elles posent donc un problme
conomique quasi insoluble pour ces prestataires de services tant et si bien qu lheure
actuelle, la plupart dentre eux sont incapables de rpondre valablement cette exigence.
Sans information sur lincertitude, linterprtation des rsultats est malaise et la prise
de dcision dlicate pouvant, par exemple, conduire la dclaration de conformit dun
produit qui ne lest pas et inversement la non-conformit dun produit qui est conforme.
Cette situation peut avoir des consquences dfavorables tant pour la socit (sant des
consommateurs) que pour les industries (dpenses inutiles et poursuites judiciaires
inappropries).
Rponse
(Prestataire)
Protocole
dtude Archivage
Rapport
dtude
Documentation
Mthode
analytique
Oprateur
Matriels
Equipements
Vrification
Rglementations
Publications
Normes et critres
dacceptation
Lignes
directrices
Approbation
Vrification
Approbation
Slection
Qualification
Verrerie
volumtrique
Echantillons
analyser
Substances
de rfrence
Qualification Comptence
Demande
(Client)
Calcul
Calcul
Vrification
Rdaction
Rdaction
Certificat
danalyse
Rdaction
Expdition
Version
lectronique
Version
papier
Appropriation
Qualification
Conservation
Certificat
danalyse
Dveloppement
Validation
(interne)
Application
Assurance
qualit
Introduction

18


I.2.2. DEFINITION DE LINCERTITUDE

Lincertitude est dfinie comme tant un paramtre associ au rsultat dune mesure,
qui caractrise la dispersion des valeurs qui pourraient raisonnablement tre attribues au
mesurande [91, 94, 95].
De nos jours, lexpression de lincertitude associe aux rsultats de mesure devient un
paramtre important de performance dune mthode analytique considrer ct des critres
de validation [93]. Pour se rendre compte, il suffit de regarder pendant ces cinq dernires
annes la quantit de directives, normes, recommandations mises et le nombre darticles
publis en rapport avec lincertitude.
En fait, lorsquune srie de rsultats de mesures est gnre lors de lapplication dune
mthode analytique, par exemple lors de la validation dune mthode de dosage, lors de son
tude de robustesse ou lors de son application large chelle par plusieurs laboratoires, et du
fait que ces rsultats ne sont jamais identiques, une variabilit de ces rsultats est logiquement
observe. Celle-ci traduit la dispersion des donnes dues ces mesures et est considre
comme une incertitude [94].
Le terme mesurande est dfini comme tant une quantit particulire sujette une
mesure [94, 96]. Un mesurande peut tre la concentration dun analyte. Ce terme nest pas
trs frquent dans le domaine analytique. Toutefois, il a t repris dans le vocabulaire
international de mtrologie [95] et adopt dans le domaine de lincertitude pour le diffrencier
du terme analyse chimique employ pour mesurer dautres grandeurs telles que la couleur,
le pH. Il convient galement de le diffrencier du terme analyte prfr en chimie
analytique pour dfinir un lment (ou une substance) recherch ou dtermin dans un
chantillon [96].
Parler dincertitude revient parler de la qualit de rsultats. Celle-ci sous-entend la
performance des moyens par lesquels ces rsultats sont obtenus, cest--dire une mthode.
Lincertitude traduit donc la performance dune mthode de mesure associe au rsultat
rendu. Elle est fondamentale pour la comparaison de ces rsultats entre eux, et surtout de
ceux-ci par rapport des seuils de toxicit ou de pathologie. La comparaison peut aussi se
rapporter des limites rglementaires (ex: le retrait dun mdicament du march ou le
dclenchement dune crise alimentaire).
Introduction

19
Lincertitude signifie aussi le doute. Dans notre cas, lincertitude de mesure
nimplique pas le doute concernant la validit de la mesure, mais au contraire la connaissance
de lincertitude implique laugmentation de la confiance sur la validit des rsultats de mesure
[97].
Bien que la tche puisse ne pas tre facile en terme de temps, lvaluation de
lincertitude de mesure dans les essais prsente plusieurs avantages pour les laboratoires
dessai [98] :
Lincertitude de mesure contribue de faon quantitative des points importants tels
que le contrle de risques et la crdibilit des rsultats dessai.
Une dclaration de lincertitude de mesure peut prsenter un avantage concurrentiel
direct en ajoutant de la valeur et de la signification au rsultat rendu.
Lvaluation de lincertitude de mesure apporte des lments pour optimiser une
procdure dessai au travers de sa meilleure comprhension.
La connaissance des effets quantitatifs de grandeurs sur les rsultats de lessai
amliore la fiabilit de la procdure de lessai. Des mesures correctives peuvent tre
mises en uvre de faon plus efficace.
Les organismes de certification de produits ont besoin dinformations sur lincertitude
associe aux rsultats lorsquils attestent de la conformit aux spcifications.
Les cots dtalonnage peuvent tre rduits sil peut tre dmontr partir de
lvaluation que des facteurs dinfluence particuliers ne contribuent pas de faon
substantielle lincertitude.



I.2.3. COMPOSANTES DE LINCERTITUDE

I.2.3.1. INCERTITUDE TYPE

Lincertitude type
x
u est lincertitude dun rsultat x dune mesure exprime laide
dun cart-type. Dans lestimation de lincertitude globale, il peut tre ncessaire de
considrer chaque source dincertitude et de la traiter sparment pour obtenir la contribution
de cette source. Chacune des contributions lincertitude prise sparment est appele
composante de lincertitude. Lorsque les composantes de lincertitude sont concernes, elles
Introduction

20
doivent aussi tre exprimes sous la forme dun cart-type [91, 97]. Pour une distribution
donne, lcart-type reprsente la mesure de la dispersion des donnes autour de la moyenne.
Lorsque cette distribution concerne lensemble de la population teste, lexpression correcte
de lcart-type de la moyenne est celle de la population et se calcule comme suit :


N
x
i
N


= =
2
) (
(I.6.)

o x
i
est un rsultat individuel, la moyenne de la population et N la taille de la population.
Par contre lorsque cette distribution concerne un chantillon prlev au sein dune population,
lexpression correcte de lcart-type de la moyenne est :


1
) (
2
1

= =

n
x x
s
i
n
(I.7.)

o x est la moyenne de lchantillon, n la taille de lchantillon et


2
) ( x x
i
la somme des
carrs des diffrences entre chaque valeur x
i
et la moyenne x . Lestimation de lincertitude de
rsultat bas sur lchantillon prlev au sein de la population de mesure est :

u
x
= s (I.8.)

Lcart-type de la moyenne est la mesure de la variabilit de la moyenne :


n
s
s
x
= (I.9.)

o s est lcart-type de lchantillon et n la taille de lchantillon. Lcart-type de la moyenne
est aussi connu comme tant lerreur type de la moyenne.

Introduction

21

I.2.3.2. INCERTITUDE TYPE COMPOSE

Lincertitude type compose ou incertitude totale est la rsultante de toutes les
incertitudes types issues des composantes individuelles de lincertitude. Cest lcart-type
estim gal la racine carre de la variance totale obtenue en combinant toutes les
composantes de lincertitude. La combinaison se fait de deux manires selon que la source
dincertitude est proportionnelle ou non la concentration de lanalyte [91, 99]. Dans le cas
o toutes les sources dincertitude sont proportionnelles la concentration de lanalyte, les
composantes dincertitude sont dabord converties en cart-type relatif puis ensuite
combines. Pour un rsultat x (par exemple la concentration dune solution stock dune
substance quelconque), affect par les paramtres p, q et r (par exemple p la masse de la
substance, q sa puret et r le volume de la solution finale) et les incertitudes correspondantes
u(p), u(q) et u(r), lincertitude type compose u
x
devient :

...
) ( ) ( ) (
2
2 2
+
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
=
r
r u
q
q u
p
p u
x
u
x
(I.10.)

Par contre dans le cas o les sources dincertitude sont indpendantes de la concentration de
lanalyte, les composantes dincertitude doivent tre combines sous forme dcart-type. Pour
un rsultat donn x, lincertitude type compose u
x
sera calcule comme suit :

... ) ( ) ( ) (
2 2 2
+ + + = r u q u p u u
x
(I.11.)



I.2.3.3. INCERTITUDE LARGIE

Appele aussi incertitude globale, lincertitude largie U
x
est une grandeur dfinissant
un intervalle autour du rsultat dune mesure, dont on puisse sattendre ce quil comprenne
une fraction leve de la distribution des valeurs qui pourraient tre attribues
raisonnablement au mesurande [91, 99]. Lincertitude largie est obtenue en multipliant
lincertitude type (compose) par un facteur dlargissement k. Le choix de la valeur de ce
Introduction

22
facteur dpend du niveau de confiance exig, de la connaissance de la distribution ainsi que
du nombre de degrs de libert correspondant. Dans la plupart des cas il est recommand
dutiliser la valeur de 1,96 2 correspondant au quantile 95 % bilatral de la distribution
gaussienne (normale). Dans chaque cas, le niveau de confiance est de 95 %. Ainsi,
lincertitude largie est calcule comme tant U
x
= ku
x
= 2u
x
, et le rsultat final crit comme
suit x U
x
. Cependant, la valeur de k pourrait tre insuffisante, par exemple lorsque
lincertitude compose est base sur les observations statistiques avec un nombre de degrs de
libert relativement faible. Le choix de k dpendra alors du nombre de degrs de libert
effectif. Dautre part, lorsque lincertitude type compose est domine par une seule
contribution avec un nombre de degrs de libert infrieur 6, il est alors recommand de
prendre la valeur de k gale au t de Student bilatral associ au nombre de degrs de libert de
cette contribution, et un niveau de confiance exig, souvent 95 % [99]. Le tableau I.2.
prsente une liste des valeurs de t de Student bilatral au niveau de confiance de 95% [99].


Table I.2. Quelques valeurs de t de Student bilatral 95 %

Degrs de libert t
1 12,7
2 4,3
3 3,2
4 2,8
5 2,6
6 2,5



I.2.4. SOURCES DINCERTITUDE

En pratique lincertitude affectant un rsultat peut provenir de plusieurs sources
possibles, ce qui pourrait expliquer la difficult relative lestimation de lincertitude de
mesure, tant donn que toutes les composantes de lincertitude contribuent la dispersion de
la distribution de lincertitude [100, 101]. Lors de lvaluation de lincertitude, il faut dabord
Introduction

23
identifier les sources majeures dincertitude avant de les quantifier. A ce stade, lobjectif
serait donc dtablir une liste reprenant toutes les sources possibles dincertitude dans le but
de connatre le besoin considrer lors de lestimation de lincertitude [99]. Quelques cas
sont prsents ci-aprs notamment en rapport avec le type dvaluation de lincertitude,
lchelle derreur et lanalyse pharmaceutique.


I.2.4.1. SOURCES DINCERTITUDE SELON LE TYPE DVALUATION DE
LINCERTITUDE

Il existe deux manires diffrentes de classifier lvaluation des composantes de
lincertitude savoir lvaluation du Type A et lvaluation du Type B. Cette classification ne
signifie toutefois pas quil existe une diffrence quelconque de nature entre les composantes
rsultant des deux types dvaluation.


I.2.4.1.1. Evaluation du Type A

La mthode dvaluation du Type A concerne lvaluation de lincertitude par
lanalyse statistique de sries dobservations. Lvaluation se fait partir dune fonction de
densit de probabilit dduite dune distribution de leffectif observ. La variance estime u
2

qui caractrise une composante de lincertitude obtenue par ce type dvaluation est calcule
partir de sries dobservations rptes. La variance habituelle estime statistiquement est
alors s
2
et lcart-type estim u est donc u = s. Par commodit u
2
(x
i
) et u(x
i
) valus de cette
faon sont parfois appels respectivement variance de Type A et incertitude-type de Type A.
Pour que lvaluation du Type A soit fiable, il faudra quelle soit fonde sur un nombre
relativement lev dobservations statistiquement indpendantes [91, 97].
Cependant, les conditions pour lestimation de la prcision ne sont pas dfinies.
Certaines sources dincertitude ne peuvent pas tre statistiquement values ou leur
valuation statistique nest pratiquement pas possible ou nest pas ncessaire. Rpondant ce
cas de figure, nous pouvons citer comme exemples lincertitude en rapport avec ltalonnage
dun quipement et lincertitude sur le matriel volumtrique ou lquipement utilis. Dans
ces cas, les estimations dincertitude sont faites sur la base dexpriences ou selon
lvaluation du Type B.
Introduction

24


I.2.4.1.2. Evaluation du Type B

Lvaluation du Type B est une mthode dvaluation de lincertitude qui se fait par
des moyens autres que lanalyse statistique de sries dobservations. Elle se fait partir dune
densit de probabilit suppose, fonde sur le degr de croyance en ce quun vnement se
produise, souvent appel probabilit subjective. Pour une estimation x
i
dune grandeur
dentre X
i
qui na pas t obtenue partir dobservations rptes, la variance estime
associe u
2
(x
i
) ou lincertitude type est value par un jugement scientifique fond sur toutes
les informations disponibles au sujet de la variabilit possible de x
i
. Lensemble
dinformations accumules peut comprendre des rsultats de mesures antrieures,
lexprience ou la connaissance gnrale du comportement et des proprits des matriaux et
instruments utiliss, les spcifications du fabricant, les donnes fournies par des certificats
dtalonnage ou autres certificats, lincertitude assigne des valeurs de rfrence provenant
douvrages et de manuels. Par commodit, u
2
(x
i
) et u(x
i
) valus de cette faon sont parfois
appels respectivement variance de Type B et incertitude-type de Type B [91, 97].
Lvaluation du Type B constitue une alternative pour pallier linsuffisance
dinformations telle quobserve dans lvaluation du type A. Ces estimations de lincertitude
sont obtenues au moyen des informations autres que statistiques telles que la littrature ou les
spcifications du fabricant [90, 97].



I.2.4.2 SOURCES DINCERTITUDE SELON LERREUR

I.2.4.2.1. Erreur et incertitude

Lerreur est dfinie comme tant la diffrence entre un rsultat individuel et la valeur
exacte ou vraie valeur du mesurande. En tant que telle, lerreur est une valeur unique et la
connaissance de cette valeur peut tre applique pour corriger le rsultat. Cependant, en
pratique la correction nest pas faisable car la valeur des erreurs nest pas exactement connue.
Lincertitude quant elle, prend la forme dun intervalle et, si elle est estime pour une
procdure analytique et un type particulier dchantillon, elle peut sappliquer toutes les
Introduction

25
dterminations dcrites de cette faon. La valeur de lincertitude ne peut parfois pas tre
utilise pour corriger le rsultat dune mesure et lincertitude du rsultat dune mesure ne
devrait jamais tre interprte comme reprsentant lerreur elle-mme, ni lerreur subsistant
aprs correction [91, 99].
Lerreur a deux composantes. La premire, lerreur alatoire, rsulte typiquement des
variations imprvisibles des grandeurs ayant une influence sur le rsultat. Ces effets donnent
lieu des variations dans les observations rptes du mesurande. Lerreur alatoire dun
rsultat analytique ne peut tre compense, mais il est possible de la rduire en augmentant le
nombre dobservations. La seconde, une composante systmatique appele aussi biais
systmatique, est dfinie comme une composante de lerreur qui, au cours dun ensemble
danalyses du mme mesurande, reste constante ou varie de faon prvisible. Elle est
indpendante du nombre de mesures ralises et ne peut donc tre rduite par laugmentation
du nombre danalyses dans des conditions de mesure constantes [91]. Le biais est la
diffrence entre une valeur observe et la vraie valeur alors que lerreur alatoire est la
diffrence entre la valeur observe et celle attendue [96].
Le biais peut avoir aussi deux composantes, le biais de la mthode qui est une erreur
inhrente la mthode et le biais du laboratoire qui peut tre considr comme tant le biais
introduit spcifiquement par un laboratoire lors de lapplication dune mthode non biaise
[94].
Finalement, pour le rsultat dune mesure x, lerreur (quation I.12.) doit tre
distingue de lincertitude (quation I.13.). Les quations suivantes le montrent clairement:


(I.12.)


o reprsente la vraie valeur, e lerreur associe qui est compose du biais et de lerreur
alatoire , et la valeur attendue obtenue suite une sries dobservations infinies,

x U
x
(I.13.)

o U
x
reprsente lincertitude largie du rsultat de la mesure x. Lincertitude, reprsente ici
par lincertitude largie, est donc un intervalle.

x = + e = + + = +
e

x = + e = + + = +
e

Introduction

26

I.2.4.2.2. Lchelle derreur

La classification de lerreur peut aussi tre ralise en considrant lchelle derreur
[102, 103]. Comme lindique lquation I.12., un rsultat dvie de la vraie valeur cause de
lexistence dun certain nombre derreurs, systmatiques ou alatoires, associes ce rsultat.
Lerreur associe un rsultat x peut donc tre dcompose comme suit [104] :


x = vraie valeur + biais de la mthode
+ biais du laboratoire
+ effet de lanalyse
+ erreur de la mesure


Comme il a t prcdemment soulign, le biais de la mthode est une erreur systmatique
inhrente la mthode. Le biais du laboratoire peut donc tre considr soit comme une
erreur systmatique pour un laboratoire individuel, ou soit comme une erreur alatoire lorsque
le laboratoire est considr comme faisant partie dune population de laboratoires par exemple
dans une tude inter-laboratoires. Dans ce cas, cest une composante de la reproductibilit de
la mthode utilise. Lerreur due lanalyse comprend lestim de la fidlit intermdiaire qui
est une erreur alatoire rsultant des conditions dans lesquelles lanalyse a t faite. Celle-ci
peut tre faite des temps diffrents, par des oprateurs diffrents ou/et au moyen
dquipements diffrents. Lerreur due la rptabilit est une erreur alatoire qui apparat
lors de lanalyse de plusieurs rptitions dun chantillon, chaque analyse tant effectue dans
les conditions de rptabilit [104, 105].


I.2.4.3 SOURCES DINCERTITUDE DANS LANALYSE PHARMACEUTIQUE

Les contrles de qualit dans le domaine pharmaceutique sont de plus en plus souvent
raliss par des techniques de sparation, en loccurrence la chromatographie liquide haute
performance (CLHP), dont le domaine dapplication stend aussi bien au dosage du principe
actif qu la sparation et dtermination des impurets chirales ou non, en passant par la
Introduction

27
quantification des traces dions mtalliques et danions inorganiques. Cependant, dautres
techniques de sparation sont aussi appliques pour les analyses dans les domaines prcits,
telles que llectrophorse capillaire (EC) [106]. Bien que prsentant encore quelques
insuffisances au niveau de la prcision des rsultats, cette technique se prte bien la
sparation chirale. La rapidit dobtention des rsultats lors du dveloppement des mthodes
et surtout lefficacit de la sparation observe (en terme de nombre de plateaux thoriques)
en font une technique trs recherche. Un autre avantage non moins important de cette
technique est le cot rduit par analyse. Comme autre technique de sparation, la
chromatographie en phase gazeuse est aussi utilise mais son usage est beaucoup plus limit.
Le grand avantage des techniques de sparation est la possibilit quelles offrent
deffectuer une analyse simultane de plusieurs substances, apportant un gain de temps
considrable et une rduction des cots pour les industriels du secteur pharmaceutique.
Nanmoins, un certain nombre dtapes pralables sont ncessaires en vue de garantir
lobtention de rsultats fiables, notamment la vrification des chantillons et des matriels
danalyse, la prparation des solutions dchantillons et des solutions tampons, la vrification
de la performance des quipements. Pourtant, laccroissement du nombre dtapes a pour
consquence daccrotre aussi les sources dincertitude ce qui du reste, demande une matrise
parfaite de la succession des tapes en vue dassurer la qualit du rsultat final [107]. Dune
manire gnrale, quelques sources sont cites dans le guide Eurachem [91] et sont reprises
dans le diagramme de cause effet ci-aprs (Figure I.7.):
Introduction

28














Figure I.7. - Diagramme dIshakawa prsentant les causes et les effets y compris les sources
dincertitudes pour un processus analytique.



A ces sources dincertitude illustres ci-avant, il faut encore ajouter les effets alatoires qui
contribuent lincertitude dans tout le processus analytique et qui doivent figurer dans le
diagramme de cause effet. Le diagramme peut varier selon la technique analytique utilise,
compte tenu de la complexit et de la diversit des oprations effectues [107, 108]. Dautres
sources propres aux techniques analytiques de CLHP et dEC sont reprises, respectivement
dans les figures I.8. et I.9. [105, 106, 109, 110].


Rsultats et
incertitude
Echantillonnage
Conservation
(stockage) Stoechiomtrie
Puret des
ractifs
Appareils
(quipements)
Conditions
de mesure
Effets dus
loprateur
Blanc Effets dus
aux calculs
Effets dus
lchantillon
Biais ventuel
Variations entre
chantillons
Dure
Conditions
Effets de
contamination
Effets
mmoires
Limites
dexactitude de
ltalonnage
Diffrence de valeurs
indiques et rgles
Manque
dinformations
Suppositions
Raction
incomplte
Ractions
secondaires
Temprature
ambiante diffrente de
celle de ltalonnage
Verrerie
volumtrique
Complexit
de la matrice
Ajouts doss
Troncature
Arrondissements
Slection
du modle
dtalonnage
Correction
Interprtation
lgrement
diffrente
Lecture
incorrecte
dchelle
Introduction

29













Figure I.8. - Diagramme dIshakawa prsentant les causes et les effets y compris les sources
dincertitude pour une procdure gnrale danalyse
en chromatographie liquide (CL).














Figure I.9. - Diagramme dIshakawa prsentant les causes et les effets y compris les sources
dincertitudes pour une procdure gnrale danalyse
en lectrophorse capillaire (EC).

Echantillonnage
Puret des
ractifs
Equipement
de CLHP
Conditions
de mesure
Effets dus
aux calculs
Effets dus
lchantillon
Variations au
niveau de solvant
dextraction
Volume
dchantillon
Prcision de
linjection
Exactitude
de la longueur
donde
Standard pour
la calibrage
Substances de
rfrence
Temprature de
thermostatisation
Colonne Influence de
la matrice
Htrognit
de lchantillon
Calculs
Paramtres
dintgration
Injecteur
Volume de la
boucle dinjection
Age
Composition
Dbit
Phase
mobile
Rsultats et
incertitude
en EC
Echantillonnage
Puret des
ractifs
Equipement
de EC
Conditions
de mesure
Effets dus
aux calculs
Effets dus
lchantillon
Variations au
niveau de solvant
dextraction
Volume
dchantillon
Prcision de
linjection
Exactitude
de la longueur
donde
Standard pour
calibrage
Substances de
rfrence
Diamtre
Capillaire
Influence de
la matrice
Htrognit
de lchantillon
Calculs
Paramtres
dintgration
Volume
dinjection
Temps dinjection
Effet joule
Renouvellement
durant lanalyse
Tampon de
sparation
Extrmits
Thermostatisation
Normalisation des
surfaces des pics
Rsultats et
incertitude
en CL
Introduction

30

Lorsque les sources dincertitude sont identifies, il est important de les matriser, de les
contrler et si possible dvaluer leur contribution lincertitude du rsultat. Cependant, les
moyens permettant dy arriver ne sont pas toujours bien dcrits ou bien assimils par les
analystes. De plus, les estims dincertitude ne peuvent tre valus que pour un nombre
limit de sources dincertitude.



I.2.5. APPROCHES POUR LESTIMATION DE LINCERTITUDE

Lexamen de la situation existante montre quau travers des nombreuses stratgies
dveloppes et publies, un effort considrable a t fourni par les analystes pour parvenir la
dtermination de lincertitude de mesure. Selon la situation en prsence, ces stratgies
peuvent tre classifies en trois grandes approches: les approches intra-laboratoires
nimpliquant quun seul laboratoire, lapproche inter-laboratoires impliquant diffrents
laboratoires et les approches mixtes qui combinent dune manire ou dune autre les deux
premires approches. La quantification de lincertitude partir de ces approches est aborde
dans la partie I.2.6.


I.2.5.1. APPROCHES INTRA-LABORATOIRES

I.2.5.1.1. Approche ISO

Dveloppe par plusieurs organisations internationales oeuvrant dans le domaine de la
physique et de la mtrologie, lapproche de lOrganisation Internationale de Normalisation
(ISO) connue aussi sous le nom dapproche bottom-up , approche error-budget ou
encore approche de propagation derreurs a t originalement propose pour quantifier
lincertitude des mesures physiques [97]. Elle peut tre considre comme une approche intra-
laboratoire traditionnelle destine aux mesures physiques et mtrologiques do elle tire son
nom dapproche physico-mtrologique. ISO la publie dans le GUM [97]. En 1990, elle a t
adapte en vue destimer lincertitude des mesures chimiques. A cet effet, elle a t reprise
Introduction

31
dans le guide dEURACHEM [91]. Paralllement, dautres lignes directrices comparables
pour valuer et exprimer lincertitude de mesure ont t publies par le National Institute of
Standards and Technology (NIST) [111].
Du fait que la stratgie de lapproche ISO semble tre en parfait accord avec tous les
domaines de mesure, elle peut tre applique pour lestimation de lincertitude de nimporte
quelle mesure effectue. Lautre avantage de lapproche ISO est quelle permet destimer
lincertitude en labsence dtudes inter-laboratoires, celles-ci ntant pas souvent faciles
raliser. Plus particulirement, du fait de limplication de toutes les sources potentielles
dincertitude (identification des sources et valuation de leur incertitude et leur ampleur).
Cette approche aide mieux comprendre les techniques analytiques qui ont t appliques
pour effectuer la mesure ainsi que leur principe [112, 113]. Les deux types dvaluation
dincertitude A et B, peuvent tre utiliss. Cependant, pour les mesures chimiques,
ladaptation de cette approche telle que faite par EURACHEM ne retrouve pas des situations
similaires. En effet, la tendance des erreurs dans les mesures chimiques diffre de celle
rencontres dans les mesures physiques. Lors de lestimation de lincertitude des mesures
physiques, ce sont les erreurs alatoires qui prdominent alors que lestimation de
lincertitude des mesures chimiques est influence non seulement par les erreurs alatoires
mais aussi par lerreur systmatique ou biais. A ceci vient sajouter la prsence de plusieurs
sources dincertitude dans les processus des mesures chimiques comparativement aux
processus des mesures physiques [100, 114]. Enfin, cette approche est difficilement
applicable pour les mthodes analytiques complexes comprenant plusieurs composantes
dincertitudes. Sa mise en uvre est ds lors malaise, ce qui rduit son application des
mthodes analytiques primaires pour lesquelles elle convient parfaitement [115-117]. Un
exemple de mthode primaire est prsent dans la figure I.10. avec les sources potentielles
dincertitude inhrentes [99].
Introduction

32














Figure I.10. Diagramme dIshakawa prsentant les sources dincertitude pour
la standardisation dune solution dhydroxyde de sodium par
titrage laide du phtalate acide de potassium



I.2.5.1.2. Approche par la Validation

En intra-laboratoire, lincertitude peut galement tre value par une seconde
approche base sur lutilisation des rsultats issus de la phase de validation [1, 84, 115-119].
A cette fin, il a t ncessaire de clarifier la relation existante entre la validation et
lincertitude et plus particulirement de montrer dun point de vue pratique comment les
donnes de validation peuvent tre utilises en pratique pour estimer lincertitude de mesure.
Lapproche introduite par Feinberg et coll. [1] en vue destimer lincertitude de mesure en
utilisant les donnes de validation est considre comme une avance pertinente pour les
analystes car elle permet de rpondre aux difficults lies lestimation pratique de
lincertitude partir des donnes de validation. De plus, cest une approche intra-laboratoire,
ce qui permet donc un laboratoire dvaluer les performances de ses propres mthodes et
ventuellement de les comparer entre elles. Signalons quil est important que le choix du
protocole de validation puisse tre fait avec un maximum de sources de variation en vue
Rsultats et
incertitude
Rptabilit Facteur de
correction du
Phtalate-K
Volume de titrage
de la solution de
NaOH
Masse de la tare
Masse brute
Calibration
Puret du
Phtalate-K
Masse du
Phtalate-K
Calibration
Linarit
Calibration
Linarit
Sensibilit
Sensibilit
Temprature
Terme de titrage
Biais
Volume du titrage de NaOH
Terme de titrage
Masse de phtalate-K
Introduction

33
dobtenir une bonne estimation de lincertitude. Dans le cas inverse (protocole avec peu de
sources de variation), lestimation de lincertitude nest pas bonne.


I.2.5.1.3. Approche par la Robustesse

La particularit de cette approche est quelle est ralise selon lapproche classique
inter-laboratoires tout en tant effectue dans un seul laboratoire. En fait, la stratgie
applique pour estimer lincertitude de la reproductibilit dans une tude inter-laboratoires
(partie I.2.5.2) est applique pour estimer lincertitude de la reproductibilit partir des
rsultats provenant dun test de robustesse. Partant de sa dfinition et de ses objectifs [56, 59-
62], la robustesse peut tre considre comme une simulation intra-laboratoire dune tude
inter-laboratoires pour autant que les facteurs opratoires soient convenablement slectionns
et que le plan exprimental pour lexcution du test comprenne au moins 8 expriences, de
manire simuler le plus possible ce qui pourrait arriver lors dune tude inter-laboratoires.
Ainsi, ces expriences peuvent tre assimiles 8 laboratoires, condition requise par ISO
5725-2 pour mener une tude inter-laboratoires [52].
Cette approche est trs avantageuse dautant plus quelle ne requiert pas dtude inter-
laboratoires souvent difficiles raliser. Cependant, trs peu dapplications sont notes ce
jour. Comme en validation, il est important que le choix du protocole de robustesse puisse
tre fait avec un maximum de sources de variation en vue dobtenir une bonne estimation de
lincertitude.



I.2.5.2. APPROCHE INTER-LABORATOIRES

I.2.5.2.1 Approche CMA

Initialement propose par Wernimont [120] et ensuite reprise par le Comit de
Mthodes Analytiques (CMA) de la Socit Royale de Chimie, lapproche CMA aussi connue
sous lappellation approche Top-down permet de dterminer lincertitude de mesure
partir dune tude inter-laboratoires [121]. Lappellation Top-down se rfre la
dmarche descendante suivie par cette approche loppos de la dmarche ascendante utilise
Introduction

34
dans lapproche Bottom-up o les effets de chaque grandeur dentre sont dcomposs
pour estimer lincertitude. En effet, dans lapproche CMA, la fidlit dune mthode est
dcompose en une somme de composantes conformment au modle de dcomposition de la
variance, permettant ainsi dappliquer une analyse de variance. Les estims dincertitude sont
calculs partir des estims de prcision obtenus lissue dune tude de performances inter-
laboratoires. On utilise donc les rsultats dessais inter-laboratoires. Ainsi, le laboratoire est
vu partir dun niveau lev comme faisant partie de la population de laboratoires et par
consquent, les erreurs systmatiques et alatoires dun laboratoire deviennent des erreurs
alatoires lorsquelles sont considres partir de ce niveau lev. Lapproche CMA est plus
raliste du fait quelle inclut les sources majeures dincertitude des mesures chimiques non
reprises au niveau de lapproche ISO comme les facteurs laboratoire, oprateur, quipement et
temps. Comme autre avantage, les estims dincertitude obtenus au moyen de cette approche
sont issus des mesures relles des laboratoires et que, toute ou partie, de ces donnes sont
souvent directement disponibles partir des donnes de validation.


I.2.5.3. APPROCHES MIXTES

La combinaison dune part, des informations issues des approches intra-laboratoire et
inter-laboratoires ou dautre part, des stratgies appliques dans les dmarches ascendante et
descendante pour lestimation de lincertitude, peut donner lieu des approches mixtes.


I.2.5.3.1. Approche de Barwick et Ellison

Dans cette approche, trois lments diffrents de validation sont combins en vue
dvaluer lincertitude de mesure des rsultats savoir la prcision, lexactitude et la
robustesse [99, 115]. La validation est prise ici au sens large telle que dfinie par ICH cest--
dire quelle comprend le test de robustesse [56]. La prcision est value au niveau de la
fidlit intermdiaire considrant diffrents temps. Ensuite lors du test de robustesse
diffrentes conditions exprimentales sont appliques pour prouver la mthode, on considre
ds lors que les variations observes quivalent celles susceptibles dtre obtenues par
diffrents laboratoires, par consquent par diffrents oprateurs afin que la robustesse simule
ltude inter-laboratoires. De ce fait, la prcision peut tre aussi value un second niveau de
Introduction

35
la fidlit intermdiaire cest--dire entre oprateurs. Concernant le biais de la mthode,
plusieurs possibilits sont dcrites en vue destimer lincertitude, savoir lanalyse de
substances de rfrence certifies, lanalyse de matrices dopes et la comparaison avec une
mthode de rfrence [99, 115].


I.2.5.3.2. Approche ISO/TS

Le guide pour lincertitude de mesure GUM publi par ISO [97] constitue une
approche normalise largement adopte. Nanmoins, son application est limite des
situations o un modle complet du processus de mesure est disponible. Pourtant, pour tre
normalise [82] et dclare valide [72], une mthode dessai doit faire lobjet dune tude
collaborative qui, en appliquant les normes ISO 5725-2 [52], permet de fournir les donnes de
performances, savoir les estimations de la composante de la variance intra-laboratoire et
inter-laboratoires accompagnes dune estimation de lincertitude associe la justesse de la
mthode.
Cest ainsi que lquipe du Comit Technique ISO/TS 69 [122] a rcemment labor
des lignes directrices pour lvaluation de lincertitude associe aux rsultats des mthodes
dessais normalises en considrant dune part, leurs donnes de performance obtenues au
moyen dune tude collaborative et dautre part, les principes correspondants du GUM cest-
-dire en combinant les estimations pertinentes de la variance.
Trois pralables sont requis pour mener correctement cette approche [122] :
- la disponibilit des estimations obtenues au moyen dtudes collaboratives selon
ISO 5725-2 [52]. Ces estimations sont celles de la rptabilit, de la
reproductibilit et de la justesse de la mthode dessai utilise.
- La confirmation par le laboratoire de la cohrence de la mise en uvre de la
mthode dessai avec les performances dfinies de la mthode. Ceci se fait
notamment en vrifiant le biais et la fidlit de la mthode.
- Lidentification de toutes les influences sur les rsultats de mesure qui ne sont pas
correctement couvertes par ltude collaborative, et par consquent la
quantification de la variance associe aux rsultats qui peut dcouler de ces effets.


Introduction

36

I.2.6. QUANTIFICATION DE LINCERTITUDE

I.2.6.1. APPROCHE INTRA-LABORATOIRE

I.2.6.1.1. Approche ISO

La procdure pour quantifier lincertitude de mesure propose par cette approche
repose sur quatre tapes fondamentales telles quillustres dans la figure I.11. [91, 99].
















Figure I.11. Illustration schmatique du processus destimation de lincertitude
de la mesure analytique selon lapproche ISO


La premire tape a pour objectif de poser clairement ce qui va tre mesur
(mesurande), y compris la relation entre le mesurande et les grandeurs introduites, tandis qu
la deuxime tape, chaque source potentielle dincertitude est identifie. Par la suite, la
troisime tape a pour objectif destimer la valeur de la composante de lincertitude associe
DEPART
FIN
tape 1
tape 2
tape 3
tape 4
Spcifier le
mesurande
Identifier les
sources
dincertitudes
Simplifier en
groupant les
sources couvertes
par les donnes
existantes
Quantifier les
composantes
groupes
Quantifier les
composantes
restantes
Convertir les
composantes en
carts-types
Calculer
lincertitude type
combine
Passer en revue
et si ncessaire
r-valuer les
composantes
majeures
Calculer
lincertitude
largie
Introduction

37
chaque source potentielle dincertitude telle quidentifie lors de la deuxime tape. Enfin, sur
la base des informations obtenues cette troisime tape, la quatrime tape concernera
lestimation de lincertitude type compose qui est la combinaison de toutes les incertitudes
exprimes sous forme dcart-type. La combinaison se fait selon des rgles appropries, par
exemple laddition des variances selon les algorithmes de propagation derreur base sur les
expansions de Taylor [91]. Finalement, le facteur dlargissement sera appliqu pour donner
lincertitude largie.


I.2.6.1.2. Approche base sur lvaluation de la prcision

Lvaluation de la prcision en intra-laboratoire se fait habituellement au niveau de la
rptabilit et/ou au niveau de la fidlit intermdiaire [103].


- Evaluation de la rptabilit

La rptabilit est dfinie comme tant la fidlit dans les conditions de rptabilit
cest--dire dans les conditions o des rsultats dessais indpendants sont obtenus par la
mme mthode sur des individus dessai identiques dans le mme laboratoire, par le mme
oprateur, utilisant le mme quipement et pendant un court intervalle de temps [103, 122].
La rptabilit peut donc tre value en estimant lcart-type des rsultats dessais (s
r
)
obtenus sous des conditions de rptabilit et calcul comme suit :


( )
1
1
2

=

=
n
x x
s
n
i
i
r
(I.13.)

avec x
i
le rsultat dune mesure individuelle et x le rsultat moyen de n dterminations. Une
indpendance de mesure signifie que chaque rsultat dessai est obtenu de manire ne pas
tre influenc par nimporte quel autre essai prcdemment effectu sur le mme mesurande
[103].


Introduction

38
- Evaluation de la fidlit intermdiaire

Contrairement la rptabilit, lvaluation de la prcision au niveau de la fidlit
intermdiaire est correctement estime lorsquun plan exprimental est tabli cet effet. Il en
est de mme de lvaluation de la reproductibilit. Lapplication dun plan exprimental a
pour avantage dobtenir en mme temps les estims de la rptabilit [103]. Usuellement un
plan hirarchis appel nested design est appliqu. Ce genre de plan est complet do leur
prfrence au plan hirarchis incomplet appel en anglais staggered-nested design [123].
En principe, la prcision intermdiaire peut tre value partir des tudes intra-laboratoire et
inter-laboratoires. Dans cette dernire situation, la similarit des variances des laboratoires est
pralablement vrifie de manire pouvoir les rassembler [124], situation qui nest pas
souvent facile rencontrer en pratique dans le cas des tudes inter-laboratoires. Par
consquent, il est prfrable daller vers lapproche intra-laboratoire qui ncessite moins de
dpenses en termes dexpriences.
Pour estimer la fidlit intermdiaire jour-dpendant, il est indiqu de recourir un
plan hirarchis complet deux niveaux (Figure I.12.). Dans ce cas, un seul oprateur
effectue k rptitions dessais dans chacun des p jours. Moyennant la table danalyse des
variances (ANOVA) [5, 52, 103], les carrs moyens sont calculs, ce qui permet destimer la
variance de la rptabilit, les composantes de la variance inter-jours et par consquent la
variance de la fidlit intermdiaire jour-dpendant [103].







Figure I.12. Plan exprimental pour lvaluation de la fidlit intermdiaire dans lequel un
seul oprateur effectue n rptitions dessais en p jours danalyse.


Lorsquune situation plus complexe se prsente, par exemple la fidlit intermdiaire
impliquant deux facteurs tels que le facteur jour (j = 1p) et le facteur oprateur (i = 1m),
un plan hirarchis complet trois niveaux (Figure I.13.) convient.

Jours (j=1p)
Rptitions (k=1n)
Introduction

39






Figure I.13. Plan exprimental pour lvaluation de la fidlit intermdiaire dans lequel m
oprateurs effectuent chacun n rptitions dessais dans chacun des p jours danalyse.


Dans cette dernire situation, les carrs moyens inter-oprateur (CM
Oprateur
), inter-jour
(CM
Jour
) et inter-rptition (CM
Rptition
) sont estims au moyen de la table dANOVA [5, 52,
103]. A partir de ces carrs moyens, les estims suivants de la prcision sont ainsi calculs :
- la variance de la rptabilit :


s Rptition r
CM s =
2
(I.14.)

- les composantes de la variance inter-jour :


n
CM CM
s
s Rptition Jours
Jours

=
2
(I.15.)

- la variance de la fidlit intermdiaire inter-jour :


2 2 2
) ( r Jours Jours I
s s s + = (I.16.)

- les composantes de la variance inter-oprateur :


np
CM CM
s
s Rptition Oprateurs
O

=
2
(I.17.)

- la variance de la fidlit intermdiaire inter-oprateur :




Oprateurs (n=1m)
Jours (j=1p)
Rptitions (k=1n)
Introduction

40

2 2 2
) ( r Oprateurs O I
s s s + = (I.18.)

- la variance de la fidlit intermdiaire inter-(oprateur + jour) (O + J) :


2 2 2 2
) ( r Jours Oprateurs J O I
s s s s + + =
+
(I.19.)


Il se pourrait que lors des calculs, des valeurs ngatives des composantes de la variance
puissent tre obtenues. En pratique, elles sont fixes 0.
Dans le mme ordre dide, dautres facteurs tels que les facteurs quipements peuvent tre
ajouts au modle en vue dobtenir dautres estims de la fidlit intermdiaire.
Trs souvent il arrive que le nombre doprateurs soit insuffisant, ce qui pourrait
entraner une valeur faible de s
0
. Dans de telles situations, il serait avantageux dvaluer la
composante de la variance combine (temps + oprateur) plutt que les composantes
individuelles. Quelques exemples de cette valuation peuvent tre trouvs dans la littrature
[125].


I.2.6.1.3. Approche base sur les donnes de validation

En considrant la nouvelle stratgie de la validation base sur le profil dexactitude,
les donnes issues de la validation peuvent servir pour lestimation de lincertitude de mesure
[1]. Lincertitude est drive partir de la variance utilise pour construire les limites de
lintervalle de tolrance des mesures attendues et est calcule comme suit :


2
2
2

1
1
(

+ =
M Tol
pnB
(I.20.)

avec
1
1
+
+
=
nA
A
B ,
2
2

W
B
A

= .
Introduction

41
Le terme
2

M
est la variance totale estime ou la fidlit intermdiaire,
2
B
la variance inter-
srie et
2
W
la variance intra-srie, n le nombre de rptitions et p le nombre de sries.
Feinberg et coll. [1] ont dmontr que
2
Tol
est gal lincertitude des mesures.
Une srie reprsente les conditions dans lesquelles les rptitions des essais sont
effectues. Dans un sens large, les conditions sont dfinies pour indiquer les conditions
exprimentales standardises ou le plan dexcution pour raliser les essais en rptitions.
Elles dpendent du plan exprimental et de lintention de ltude envisage ou, si une
validation est concerne, des tapes de celle-ci. Dans cette dernire situation, les conditions
(sries) peuvent tre des jours, par consquent lanalyse des composantes des variances
permettra destimer les variances inter-jour et intra-jour, et plus particulirement la variance
de la fidlit intermdiaire. Par contre, dans le cas o les conditions sont des laboratoires, la
variance de la reproductibilit sera aussi estime. Dans ce mme contexte, les conditions
peuvent stendre vers les lots dchantillon, les quipements. Il est important de mentionner
que ces variances ne peuvent tre obtenues que lorsque les conditions sont varies, cest--
dire que les mesures des essais sont faites en variant au moins une des conditions (par
exemple plusieurs laboratoires, plusieurs jours, ou plusieurs oprateurs).



I.2.6.1.4. Approche base sur les donnes de robustesse

Puisque le test de robustesse peut tre utilis pour simuler de manire exagre les
modifications susceptibles de survenir lors dun transfert dune mthode vers dautres
laboratoires, dautres instruments et/ou dautres oprateurs, et que chaque exprience du plan
peut tre considre comme tant un laboratoire individuel, il est ds lors possible dvaluer
lincertitude en se servant des donnes du test de robustesse [64, 65] et en utilisant un plan
exprimental similaire celui utilis pour ltude inter-laboratoires. Le guide ISO 5725-2 [52]
destins aux tudes inter-laboratoires peut tre adapt pour estimer lincertitude dans le test de
robustesse. En assimilant chaque exprience du plan des laboratoires et au moyen de
la table dANOVA [5, 52, 103], les carrs moyens inter-exprience (CM
Exprience
) et inter-
rptition (CM
Rptition
) peuvent tre calculs, ce qui permet par la suite dobtenir diffrents
estims de la variance, notamment la variance intra-exprience calcule partir de la
rptabilit et la variance inter-expriences quivalent la variance inter-laboratoires. Ainsi
Introduction

42
lincertitude de la reproductibilit est calcule de la mme faon que dans lapproche inter-
laboratoires.


I.2.6.2. APPROCHE INTER-LABORATOIRES

Ltude inter-laboratoires demeure le moyen classique pour examiner la
reproductibilit des rsultats. Les essais sont effectus selon un plan exprimental similaire
celui appliqu pour valuer la fidlit intermdiaire (Figure I.14.) :








Figure I.14. Plan exprimental pour une tude inter-laboratoires classique en vue de
lvaluation de la reproductibilit et de lincertitude dun chantillon ( un niveau de
concentration). Les essais sont effectus en deux rptitions dans les conditions de
rptabilit par p laboratoires diffrents


En utilisant la table dANOVA, les estims de la variance de la rptabilit (s
r
) et de la de
variance inter-laboratoires (s
L
), qui sont respectivement
r
et
L
, sont calculs. La
combinaison des deux variances donne la variance de la reproductibilit (s
R
) :

s
R
= s
r
+ s
L
(I.21.)

Lincertitude dun rsultat individuel peut donc tre calcule comme suit :


2 2
L r x
s s u + = (I.22.)

Rptition
1
Rptition
2
s
r

Laboratoire
p
Rptition
1
Rptition
2
s
r

Laboratoire
2
Rptition
1
Rptition
2
s
r

s
L

Laboratoire
1
Introduction

43
Lorsque n mesures de rptitions sont effectues, lincertitude de la moyenne est calcule
comme suit :


2
2
L
r
x
s
n
s
u + = (I.23.)

Et si p laboratoires effectuent n mesures de rptitions, lincertitude standard de la moyenne
est calcule comme suit :


p
s
pn
s
u
L r
x
2 2
+ = (I.24.)

Le plan exprimental pourrait aussi tre adapt selon ltude envisage, par exemple
lorsquon voudrait valuer leffet du facteur jour dans une tude inter-laboratoires.


I.2.6.3. APPROCHES MIXTES

I.2.6.3.1. Approche propose par Barwick et Ellison

Cette approche tient compte de trois lments diffrents de la validation, savoir la
prcision, la justesse et la robustesse. Lexemple illustr par Hund et coll., [115] montre que
lincertitude u(x) dun rsultat x est la combinaison de ces trois lments selon une approche
comparable du budget derreur exprime par lquation suivante :

...
) ( ) ( ) ( ) ( ) (
2
2 2 2
) (
2
+
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
=
r
r u
q
q u
p
p u
x
s
R
R u
x
x u
T I
m
m
(I.25.)

o
2
) (
|
|
.
|

\
|
m
m
R
R u
est la contribution de la composante justesse lincertitude de la mesure et
qui dans le cas prsent est value en terme dincertitude du rendement moyen de la
mthode,
Introduction

44

2
) (
|
|
.
|

\
|
x
s
T I
la contribution de la composante de prcision lincertitude de la mesure,
value en terme de fidlit intermdiaire dpendant du temps,

2
) (
|
|
.
|

\
|
p
p u
,
2
) (
|
|
.
|

\
|
q
q u
et
2
) (
|
.
|

\
|
r
r u
la contribution de la robustesse value en termes
destims dincertitude des diffrents facteurs p, q et r de la robustesse.


I.2.6.3.2. Approche propose par ISO/TS [122]

La procdure propose comporte 5 tapes (cf. partie 1.2.5.3.2.), savoir :
a) obtenir des estimations de la rptabilit, de la reproductibilit et de la justesse de
la mthode utilise, partir des informations publies sur cette mthode ;
b) dterminer si le biais de laboratoire relatif aux mesures se situe dans les limites de
celui attendu selon les informations obtenues au point a ;
c) dterminer si la fidlit obtenue par des mesures actuelles se situe dans les limites
de celle attendue selon les estimations de rptabilit et de reproductibilit
obtenues au point a ;
d) identifier toute influence sur la mesure qui na pas t couverte de manire
adquate dans les tudes dont il est fait rfrence au point a et quantifier la
variance qui pourrait dcouler de ces effets, en tenant compte des coefficients de
sensibilit et des incertitudes dans les grandeurs dinfluence ;
e) lorsque le biais et la fidlit sont sous contrle comme dmontr aux tapes du
point b et c, combiner lestimation de la reproductibilit au point a avec
lincertitude associe la justesse donne aux points a et b, et les effets
dinfluences supplmentaires du point d pour former une estimation de
lincertitude compose.

Lquation fondamentale qui prsente le modle statistique se rapportant cette valuation de
lincertitude u(y) associe une observation peut tre crite comme suit :

+ + + =
2 2 2 2 2 2
) ( )

( ) (
r i i L
s x u c s u y u (I.26.)

Introduction

45
o
2
L
s est la variance estime de la composante laboratoire du biais ;

2
r
s est la variance estime de la rptabilit ou lerreur rsiduelle ;
)

( u est lincertitude associe , due lincertitude de lestimation de en mesurant


un talon de mesure de rfrence ou un matriau de rfrence de valeur certifie ,
tant le terme reprsentant le biais intrinsque de la mthode de mesure utilise ;
u(x
i
) est lincertitude associe x
i
qui est lcart par rapport la valeur nominale de
x
i
;
c
i
le coefficient de sensibilit, gale y/x
i

.

Puisque dans une tude inter-laboratoires, lcart-type de la reproductibilit (s
R
) est exprim
par
2 2 2
r L R
s s s + = ,
2
R
s peut remplacer
2 2
r L
s s + . Ainsi lquation I.26. devient :

+ + = ) ( )

( ) (
2 2 2 2 2
i i R
x u c s u y u (I.27.)