Vous êtes sur la page 1sur 109

Considérations à prendre avant d’entamer

une validation analytique


Qualification des Instruments
• Statuts de Qualification et étalonnage et performances vérifiées (suitability of
instrument)
Qualification du Matériel (matières)
• Statuts des substances de Référence, Réactifs,
Qualification des Analystes
• Statuts des formation et enregistrements de formations
Qualification de la Documentation
• Procédure et protocoles analytiques rédigés et approuvés avec des critères
d’acceptation préétablis
Un échantillon représentatif.

1
CRITERES DE LA VALIDATION

Quelles caractéristiques valider ?

La démarche ″analyste″ pour caractériser les


performances des méthodes d’analyse consiste à
évaluer au travers de travaux expérimentaux
certaines caractéristiques décrites dans de
nombreux ouvrages, dans des documents normatifs
(ISO, NE…) ou réglementaires (Pharmacopée, Notes
Explicatives ainsi que dans des guides (tel que celui
de la SFSTP)

2
LA VALIDATION DES MÉTHODES ANALYTIQUES

DANS LES INDUSTRIES PHARMACEUTIQUES

selon les guidelines ICH Q2(R1) , 

SFSTP 1992

et 
SFSTP 2003-2006 (profil d'exactitude)

3
• • Critères usuels
1- Critères fonctionnels (pré-validation)
• – Spécificité-Sélectivité
• - Sensibilité
• – Intervalle de mesure
• - Stabilité des solutions
• – Seuil de quantification
• – Seuil de détection
2- Critères statistiques
• – Fonction de réponse
• – Linéarité
• – Exactitude- justesse
• - Profil d’Exactitude
• – Fidélité (répétabilité, fidélité intermédiaire)
• - Robustesse
4
Critères Fonctionnels
Prè-validation

5
1-Sélectivité & Spécificité
Souvent confondues
•Spécificité :
•Capacité d’une méthode analytique à mesurer un analyte
particulier sans que cette mesure ne soit faussée par d’autres
composants de l’échantillon
•La spécificité mesure le degré d'interférences entre un principe
actif et d'autres composants présents dans l’échantillon
(excipients, produits de dégradation…)
• Sélectivité :
Capacité d’une méthode analytique à déceler sans interférence
plusieurs substances différentes dans un échantillon
Dans le cas des méthodes séparatives, on parle plutôt de sélectivité: capacité à différencier et quantifier
l’analyte cible en présence d’interférents dans l’échantillon.

6
Exemples de vérifications pratiques dans le cas d’une
méthode HPLC:
 Injection:
o du placebo analytique = matrice (dégradée ou non
dégradée)
o composés interférents potentiels: produits de
dégradation, intermédiaires de synthèse

7
 Vérification de l’homogénéité d’un pic chromatographique (barrette de diodes)

8
2- Intervalle de mesure :
c’est selon ICH Q2R1, l’intervalle de concentration (ou
de quantité) de la substance à analyser sur lequel il a
été démontré que la procédure possède une fidélité,
une exactitude et une linéarité approprié.

L’intervalle de mesure spécifié dépend du type


d’application prévu de la procédure analytique.

9
Tableau : Intervalle de mesure
Types d’application Intervalle à considérer

Dosage d’une matière ± 20%


première ou d’un
80-120% de la concentration des échantillon d’essais
produit fini

Dosage d’une
50-120% de la limite spécifiée Ou LOQ* – 120%
impureté

± 30%
Uniformité de teneur 70 – 130% de la concentration d’essais
(sauf pour les inhalateurs doseurs)

Essais de dissolution ± 20% de l’étendue spécifiée

* Limite de Quantification 10
3-STABILITÉ DES SOLUTIONS

Permet d’estimer la validité des solutions étalons

- Injecter les solutions ayant servi à la détermination de


la linéarité à des jours différents

- La stabilité est obtenue en faisant le rapport

résultat moyen du temps t


R = -----------------------------------
résultat moyen du temps to

Normes : R doit être supérieur à 98%


11
4- SENSIBILITE (SENSITIVITY)
Définition :
C’est la capacité d’une méthode à pouvoir faire la discrimination entre deux concentrations très
voisines.
En pratique:
C’est la variation DX que peut différencier une méthode pour une variation minimale
significative DY de la réponse.
Y

DY

X
DX ---- DX -----

Cette valeur DX :
• sera d’autant plus faible que la pente a sera forte.
• sera d’autant plus forte que la dispersion des points autour de la droite sera élevée.

ΔX  2,9SE avec SE  SCE


a N-1
12
5- SEUIL DE DETECTION (DETECTION LIMIT)
Définition :
C’est la plus petite quantité ou concentration d’une substance à analyser qui puisse être
détectée avec une certitude suffisante
En pratique:
La procédure fournit un enregistrement graphique :

-Déterminer la largeur L du pic à mi hauteur de la substance à analyser dans la FR à 100%.


Soit par exemple L = 0,8mn pour une substance dont le Tr = 17 mn.

-Effectuer un enregistrement du blanc de l’analyse en suivant la procédure complète


d’analyse sur un échantillon contenant l’ensemble des constituants à l’exception de la
substance à doser.

-Déterminer l’amplitude maximale Hmax du signal sur une distance égale à 20 fois la
largeur L à mi hauteur
Ici L = 0,8 donc 20*0,8 = 16 mn que l’on répartit de part et d’autre du Tr =17 mn

Hmax = 13 mm
9 17 25
8 mn 8 mn 13
Hi = axi + b = axi
Réponse = (si b non statistiquement différent de zéro)
Hauteur Hi

3 Hmax

xi

SD = 3(Hmax)/a (pour SFSTP)


SD = 3,3 (Hmax)/a (pour ICH)

14
La procédure ne fournit que des valeurs chiffrées

Effectuer n mesures du blanc d’analyse indépendantes (n 6) en suivant la procédure complète.


Calculer l'écart type sbl du blanc
S = aXi + b = axi
Signal S
(Si a non statistiquement différent de zéro)

3 sbl

Xi

SD = 3sbl/a (pour SFSTP)


SD = 3,3 sbl/a (pour ICH)

REMARQUE: sal n’est pas autre chose que l’écart type de l’ordonnée à l’origine sb

15
6- SEUIL DE QUANTIFICATION
(QUANTIFICATION LIMIT)
Définition :
C’est la plus petite quantité ou concentration d’une substance à analyser qui puisse être dosée avec une
certitude suffisante

En pratique:
Les procédures de détermination sont les mêmes que celles du seuil de détection.
La seule différence est le facteur multiplicatif qui, au lieu d’être égal 3 (ou 3,3 pour ICH), doit ici être
égal à 10.

16
Critères statistiques
« Validation »

17
l’application du protocole de validation :
ICH Q2R(1), SFSTP(2003-2006)

- Détermination de la linéarité.
- Calcul des fonctions de réponse.
- Calcul des prédictions inverses après alignement des
réponses.
- Estimation de la justesse.
- Estimation de la fidélité.
-Estimation de l’exactitude.
- Calcul des intervalles de tolérance et du profil d’exactitude.

18
18
1- Fonction de réponse

Après avoir vérifié la spécificité de la méthode d’analyse


on opère sur deux ensembles d’échantillons
• 3 séries de standards d’étalonnage (SE)
• 3 séries de standards de validation (SV)

Les SE peuvent être réalisés sans la matrice (si on démontré


qu’il n’y a pas d’effet matrice) ou avec la matrice.

Les SV doivent toujours être réalisés avec la matrice


(Forme pharmaceutique reconstituée)
SE 1 SE2 SE3

SV 1 SV2 SV3 19
SE : Standard d’Etalonnage
Réponse = Y

A chaque niveau de concentration il


faut faire au minimum 2 répétitions

X = concentration

Le nombre de niveaux de concentration a utiliser est laissé à l’appréciation de


l’analyste .

À Partir des SE on va déterminer les différentes fonctions


de réponse y = f(x) c’est à dire les relations
mathématiques pouvant relier la réponse Y à la quantité ou
à la concentration X de substance à doser.
20
Réponse = Y

X = concentration

Différentes fonctions de réponse Y = f(x) peuvent être testées

y = ax + b [droite ne passant pas par l’origine = linéaire]


y = a1x [droite passant par l’origine prenant en compte l’ensemble des points = linéaire passant
par zéro]
Y = a2x [droite passant par zéro et un point de gamme (en général le 100 %) =
linéaire 0-100%]
Y = axb [exponentielle]
Y = ax2 + bx + C [polynomiale de degré 2]
Etc..
21
l’application du protocole de validation : (2003-2006)

 Détermination de la fonction de réponse :


Y  f X 

cov( X , Y )
rX ,Y =
 XY

b =Y -aX

å= [( X i - X )( Yi - Y )]
n

a= i 1
n
å= ( X i - X ) 2
i 1

22
22 Mardi 24 Juin 2008
Méthodes statistiques pour l’évaluation des résultats analytiques

l’application du protocole de validation : (2003-2006)

 Test de significativité des coefficients :


(Ho) : B = 0
(Ho) : A = 0
contre
contre (H1) : B  0,
H1 : A  0, on utilise la statistique :
on utilise la statistique :
b  E b
a  E a t calculé  qui suit une loi Student t  n 2 
t calculé  qui suit une loi student t (n-2) V  b
V  a

SCE SCR
R2 = =1- ,
SCT SCT

23
23 Mardi 24 Juin 2008
SV : Standard de Validation
Réponse = Y

A chaque niveau de concentration


il faut faire au minimum 3
répétitions

X = concentration

Le nombre de niveaux de concentration a utiliser est au moins de 3

et obligatoirement de 5 pour les validations pharmaceutiques (exigence


linéarité ICH) .

24
Alignement des réponses

On démontre que l’alignement des n répétions d’un niveau donné


s’effectue comme suit
YNi = yi + f(xm) – f(xi)
f est la fonction de réponse testée avec les SE

Prédiction inverse
on utilise les fonctions de réponses réciproques pour calculer les
quantités ou concentrations x* des standards de validation à partir
des réponses alignées R de l’appareil de mesure
x* = f-1 ( Y )

25
y

YNij = a x’ig + b1
° yij = axij + b1

y*ij = axij + b

YN*i = aX’ig + b
x

xij

x’ig = moyenne du groupe des


3 valeurs xi1 ; xi2 ; xi3

yij = axij + b1 b1 = (yij -a xij)


YNij = a x’ig + b1 = a x’ig + (yij -a xij)

Soit : YNij = a (x’ig – xij) + yij

26
2-LINÉARITÉ :

Le guide SFSTP 1992, explique la linéarité comme étant la capacité


d’une procédure à fournir une relation linéaire entre les
concentrations X et les réponses Y

Réponse y

y5

y4
y3
y2
y1 Concentration x
x1 x2 x3 x4 x5

27
27
Selon l’ICH Q2 (R1), la linéarité est la capacité d’une procédure à
fournir une relation linéaire entre les concentrations X et les résultats Y

Concentration
calculée *

*
*

*
*
Concentration
introduite

28
linéarité, on détermine :

- l ’ordonnée à l ’origine et la pente, (Y= aX + b )


- le coefficient de régression R²
- coefficient de corrélation R
- l’existence d ’une pente significative
- la compatibilité de l ’origine avec la valeur zéro

29
3-JUSTESSE

• Définition : c’est l’étroitesse de l’écart entre une moyenne d’un


groupe et la valeur de référence
• Elle est estimée par le biais de l’équation du modèle mathématique et
le recouvrement R% (100 ±2%)
Y  f X 

 Estimation de la justesse :
Biais j = x j  u j

xj uj
Biais  %  j = 100× .
uj
xj
Recouvrement  %  j  100  .
uj
30
4-FIDELITE :

L'ICH définit 3 niveaux de fidélité d'une méthode

Répétabilité Fidélité Reproductibilité


"intermédiaire"

= statistiques sur des = statistiques sur des = statistiques sur des


résultats obtenus dans résultats du laboratoire resultats se référant des
un intervalle de temps en fonction des jours, études de différents
court dans les mêmes de l'équipement, du laboratoires
conditions. manipulateur

31
4-FIDÉLITÉ :

répétabilité:
répétition du traitement d ’une même
solution, le même jour, par le même
opérateur avec le même système = fidélité
dans des conditions identiques

Fidélité intermédiaire
trois opérateurs, trois séries sur trois jours
différents par opérateur, ou éventuellement
trois matériels différents = fidélité dans des
conditions différentes 32
5-EXACTITUDE

Dans l'analyse d'une substance, la mesure de l’exactitude est


obtenue par comparaison des résultats obtenus avec la méthode
analytique avec ceux correspondants à la substance de
référence ou par comparaison avec les résultats d'une seconde
méthode validée.

 Estimation de l’exactitude :
xi  u j
Exactitude relative = 100
uj

33
LES ERREURS DE MESURES

Erreur Aléatoire = VARIABILITE


= FIDELITE INTERMEDIAIRE
(INTERMEDIATE PRECISION)

+
Erreur Systématique
= BIAIS = JUSTESSE (BIAS = TRUENESS)
V = Masse ||
réelle ERREUR TOTALE (TOTAL ERROR)
« Poids » réel
ERREUR TOTALE =  BIAIS  + FIDELITE INTERMEDIAIRE

L’erreur totale est un bon indicateur de l’aptitude d’une


méthodologie à fournir des résultats exacts.

34
ERREUR TOTALE %
Niveau Y=a2 X
Y=ax+b Y = a1 X
% (100%)
80 0,44 0,43 0,58
90 0,95 0,95 1,11
100 -0,08 -0,08 0,05
110 0,26 0,26 0,42

1,20
ER R EU R TOTA LE %

1,00
Y=ax+b
0,80
0,60 Y = a1X
0,40
0,20 Y=a2X
0,00 (100%)

-0,20 80 90 100 110 120


NIVEAUX (Concentrations)

L’Erreur totale est un bon indicateur de l’aptitude d’une méthodologie à fournir des résultats exacts.

Cependant ce qui est important dans une validation ce n’est pas de prouver que la méthode
utilisée a généré des résultats exacts mais de pouvoir avoir l’assurance que lorsque l’on utilisera
cette méthode dans le futur (en routine) les résultats trouvés seront toujours proches des valeurs
réelles: C’est le rôle l’intervalle de tolérance et du profil d’exactitude 35
6-Intervalle de tolérance et profil d’exactitude

[C] Vraie
SV1 SV2 SV3
Introduite
1 40 39,94 39,75 40,03
2 40 39,94 40,38 39,93
3 40 40,11 40,25 39,93
4 40 39,98 39,88 39,99
M oyenne 39,99 40,06 39,97

Intervalle de tolérance (%)


||

BIAIS (%)

+ ± t * f(%moyenne des erreurs sur chaque série

+ % erreur sur moyenne des séries)

Valeur lue dans la table de Student qui


dépend du risque que l’on se fixe et du
nombre de valeurs calculées par niveau

36
Intervalle de tolérance et profil d’exactitude
En pratique l’intervalle de tolérance est calculé pour chaque niveau j
de concentration à partir des standards de validation

VAR FI = VARinter + VARintra


VAR inter R 1
R j  Bj 
j

VAR intra nR J  1

(R  1) 2
υ  Degré de liberté
1 2 1
(R  ) 1 n nombre de répétitions
n  n p nombre de séries
p 1 pn

INTERVALLE DE 1
 BIAIS%  t 1 CVFI
TOLERANCE 2
pnB j
t = variable de student pour un risque a =(1-b) et ddl = n

Le profil d’exactitude s’obtient en reliant entre elles les bornes


supérieures puis les bornes inférieures de l’intervalle de tolérance 37
Y=ax      
 Niveaux % Min Biais Max
80 -1,11 0,17 1,13
90 -0,06 0,67 1,41
100 -1,19 -0,38 0,43
110 -0,50 0,05 0,61
120 -2,68 -0,43 1,50

5
4
3
2
% ERREUR

1
0
-1 80 90 100 110 120
-2
-3
-4
-5
Niveaux de concentration en %

On démontre que si le profil d’exactitude est entièrement inclus dans les limites – l%, + l% alors on
peut affirmer que, en routine, le pourcentage de résultats dont la différence entre la valeur déterminée
X et la valeurs vraie V est inférieure , en valeur absolue à l sera au moins égale à b

Prob (|X-V | < l ) ≥ b


38
INTERET DU PROFIL D’EXACTITUDE
Choix d’une fonction de réponse
DROITE ENTRE 0% et 100%

7
6
5
4
3
2
1
0
-1 80 90 100 110 120
-2
-3
-4
-5
-6
-7

FONCTION LINEAIRE Y = aX (tous les points)

7
6
5
4
3
2
1
0
-1 80 90 100 110 120
-2
-3
-4
-5
-6
-7

Seul peut être utilisé le modèle linéaire 39


INTERET DU PROFIL D’EXACTITUDE
Détermination des limites de quantification
Exemple dosage d’une substance dans le sérum
[teneur théorique 225 mg.ml-1 (100 %)]
Limite quantification
Supérieure
Linéaire 0-100%
20
(700mg/ml)
S I
15 25,00 -18,00 -10,00
48,00 -10,00 -5,00
10 437,00 -10,00 10,00
838,00 -8,00 18,00
5

0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900
-5

-10

-15

-20

Limite quantification
Inférieure (48 mg/ml)

Si on tolère une l = ± 15% 40


INTERET DU PROFIL D’EXACTITUDE
Détermination de l’intervalle de dosage

Limite quantification
Supérieure
Linéaire 0-100%
20
(700mg/ml)
S I
15 25,00 -18,00 -10,00
48,00 -10,00 -5,00
10 437,00 -10,00 10,00
838,00 -8,00 18,00
5
Intervalle de dosage
0

0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900
-5

-10

-15

-20
Limite quantification
Inférieure (48 mg/ml)

41
Donc si on montre grâce au profil d’exactitude que
les résultats sont de qualité alors tous les critères de
performance exigés par les textes réglementaires
seront obligatoirement satisfaits.

42
Rappel Statistique des paramètres

43
1- Paramètres d’un échantillon
1-1 La moyenne (Average, mean): m = X’
Exemple: sachets ASPEGIC 250 mg aspirine/sachet
Xi = 250 248 251 247 252 247 252 249 253

1 in
m  X'   x i  250mg Dans Excel : MOYENNE (série de valeurs)
n i 1

La moyenne ne suffit pas à décrire un échantillon

Analyse 1 247 248 249 250 251 252 253  m = 250 mg


Analyse 2 248 248 249 250 251 252 253  m = 250 mg
Analyse 3 249 249 249 250 251 251 251  m = 250 mg
44
1-2 La variance (Variance) et écart type (standard deviation)
in
1
VARIAN CE  σ 2

n
 i
(x
i 1
 m) 2
( Dans Excel VAR.P )

Quel est l’inconvénient de la variance ?

in
1
ECART TYPE  σ 
n
 (x
i 1
i  m) 2 ( Dans Excel ECARTYPEP)

Analyse 1 Var = 4 ET = 2
Analyse 2 Var = 2,6 ET = 1,6
Analyse 3 Var = 0,86 ET = 0,93

45
1-3 Le coefficient de variation (relative standard deviation)

Exemple dosage des éléments dans une eau de boisson


Na+ n = 10 m = 5 mg/L  = 1 mg/L
HCO3- n = 10 m = 325 mg/L  = 10 mg/L

σ
CV  100
m

CV (Na+) = 20 % CV (HCO3-) = 2,8 %

46
-2 UTILISATION DES TABLES DE GAUSS ET DE STUDENT
2-1 Notion de variable centrée réduite (VCR)

A1 A2 A3 A4 A5 B1 B2 B3 B4 B5
10 12 15 08 05 11 15 16 18 15

m(A) = 10 (A) = 3,4 m(B) = 15 (B) = 2,3

Quel est le meilleur élève ?

(x  m)
t
σ
A1 A2 A3 A4 A5 B1 B2 B3 B4 B5
0 0,6 1,5 -0,6 -1,5 -1,7 0 0,4 1,3 0
47
2-2 utilisation des tables de GAUSS et de STUDENT
On démontre qu’une variable centrée réduite suit:
 t

Si n ≥ 30 une loi de GAUSS g(t) Prob ( - t   t  t )   g(t)dt


t

 t

Si n < 30 une loi de STUDENT s(t)


Prob ( - t   t  t )   s(t)dt
t
La probabilité dépend aussi du degré
de liberté ddl n = n –1
g(t) ou s(t)

a/2 a/2

t
-t° + t°
Prob ( -t° < t < +t°) + a = 1

48
Exemple
Si n = 50 m = 10 s = 1 calculer Prob ( 9 < x < 11)
n = 50 donc > 30  loi de Gauss
9  t = (9-m)/s = (9 – 10)/1 = -1
11  t = (11-m)/s = (11 – 10)/1 = +1
g(t)

a/2
a/2

F(t) F(t)
t
-1 +1

Remarque
1 – 2F(t) = a
représente la probabilité que x ne soit pas compris entre 9 et 11 c’est à dire
la probabilité que t ne soit pas compris entre -1 et +1

49
Prob ( 9 < x < 11) = Prob ( -1 < t < +1) = 0,68
Prob (–t° <t< t° ) = 0,99 => t° = ? Prob (–t° <t< t° ) = 0,95 => t° = ?
50
Distribution "t" de Student
S(t)
seuil de risque alpha
a/2 a/2 nb. DL
1
0,050
12,60
0,010
63,70
0,001
636,00
2 4,30 9,93 31,60
3 3,18 5,84 12,94
4 2,78 4,60 8,61
5 2,57 4,03 6,86
t 6 2,45 3,71 5,96
7 2,37 3,50 5,41
-t° + t° 8 2,31 3,36 5,04
9 2,26 3,25 4,78
Prob (–t° <t< t° ) =0,95 => t° 10 2,23 3,17 4,59
11 2,20 3,11 4,44
= ? 12 2,18 3,06 4,32
13 2,16 3,01 4,22
Pour n = 30 ; n = 16 ; n = 5 14
15
2,15
2,13
2,98
2,95
4,14
4,07
16 2,12 2,92 4,02
17 2,11 2,90 3,97
18 2,10 2,88 3,92
19 2,09 2,86 3,88
20 2,09 2,85 3,85
21 2,08 2,83 3,82
22 2,07 2,82 3,79
23 2,07 2,81 3,77
24 2,06 2,80 3,75
25 2,06 2,79 3,73
26 2,06 2,78 3,71
27 2,05 2,77 3,69
28 2,05 2,76 3,67
29 2,05 2,76 3,66
30 2,04 2,75 3,65

Dans EXCELL =LOI.STUDENT.INVERSE(0,05;29) Facteur de risque a et ddl n = n-1


51
3- Problèmes de jugement sur échantillon
3-1 Notion d’espace de population , espace de l’échantillon, espace des moyennes
Échantillon i
taille n
moyenne mi
Population Échantillon j
Distribution des
moyennes
taille n
moyenne mj

Échantillon k
taille n
moyenne mk

Population
Échantillon Ensemble des moyennes de
(Exemple lot industriel de sachets) n sachets tous les échantillons

VA = mg Aspirine/sachet VA = moyenne d’un échantillon


VA = mg Aspirine/sachet
Moyenne mm
Moyenne mpop Moyenne m ech
Variance s2 ech Variance s2m
Variance s2 pop Ecart type s m
Ecart type sech
Ecart type s pop
52
Espace Espace Espace des
Population Moyennes
Échantillon
Ensemble des moyennes
(exemple lot industriel de N sachets) n sachets de tous les échantillons
VA = mg Aspirine/sachet VA = mg Aspirine/sachet VA = moyenne d’un
Moyenne mpop Moyenne m ech échantillon
Variance s2 pop Variance s2 ech Moyenne mm

Ecart type s pop Ecart type sech Variance s2m


Ecart type s m

mpop = µm  mech

n  (X i  m)  (X i  m)
2
2 (VAR
n 2
On démontre que : σ 2
pop  σ ech   dans Excel)
n -1 n -1 n n 1
σ 2pop 2
σ ech
σ 2m  
n n 1 53
3-2 Intervalle de confiance d’une moyenne (petits échantillons n<30)
Position du problème
Estimer avec un facteur de risque donné l’intervalle dans lequel
doit se situer la moyenne pop d’une population connaissant la
moyenne mech d’un échantillon, de taille n et d’écart type éch
extrait de cette population.

Solution du problème
VA = moyenne d’un échantillon => on se situe donc dans
l’espace de la distribution des moyennes qui admet:
 Comme moyenne m = pop
 Comme écart type σ ech
σm 
n 1
La VCR est donc : m ech - μ pop m ech - μ pop
t  
σm σ ech
n 1 54
Pour a = 0,05 et n = n-1 on lit la valeur limite t° dans la table de Student


m ech - μ pop
- t° < t < t° 
t t   t
σ ech
n 1

 σ ech
μ pop appartient donc à l' intervalle m ech  t
n 1

55
Exemple
Les résultats des analyses d’un échantillon de 26 comprimés
sont:
• moyenne en principe actif : 50 mg/cp
• Écart type : 5 mg/cp
Quel est l’intervalle de confiance de la moyenne au risque de
5% ?

Calcul de sm = sech/(26-1) = 5/ (25) = 1


t° ( α = 0,05 n = 25) =LOI.STUDENT.INVERSE(0,05;25) = 2,06
D’où: Intervalle confiance = méch ± t° sm = 50 ± 2,06*1 IC = [47,94 ; 52,06]

EXERCICE N°1
Que devient cet intervalle si les même résultats d’analyse ont été
obtenus sur un lot de 5 comprimés (au lieu de 26) ?

56
Corrigé exercice N°1

  σ ech 
m ech  t
Intervalle de Confiance IC =

 n 1
échantillon de 26 comprimés échantillon 5 de comprimés

t° (α = 0,05 n = 25) σ ech 4 t° (α = 0,05 n = 4)


σ ech 4
 1  = 2,5 (>>1)
= 2,06) n 1 5 1 = 2,78 ( > 2,06) n 1 5 1

IC = [47,94 ; 52,06] IC = [43 ; 56,95]


intervalle beaucoup plus large
que [47,94 ; 52,06]

57
3-3 Comparaison d’une moyenne théorique à une moyenne
expérimentale (cas des petits échantillons)

Position du problème
Population Moyenne  pop
Écart type (pop)
Échantillon
Effectif n
Moyenne m ech
Écart type  ech

L’échantillon provient –il de la population au risque α ?

58
Formulation des hypothèses de travail
H° : la différence observée n’est pas statistiquement significative : elle
ne provient que du hasard d’échantillonnage
H1 La différence observée est statistiquement significative: le hasard
seul n’explique pas cette différence

Solution du problème
VA = moyenne d’un échantillon
on se situe donc dans l’espace de la distribution des moyennes qui
admet
 Comme moyenne m = pop
 Comme écart type
 pop
 Si l’écart type pop de la population est connu (rare) σm 
n

 Si l’écart type de la population n’est pas connu σ ech


σm 
n -1 59
m ech - μ pop
La VCR est donc : tech 
σm
 Si la distribution de la moyenne suit une loi Normale (même si n < 30)

Pour α = 0,05 on lit la valeur limite t° dans la table de GAUSS t° = 1,96 ≈ 2

 Si la distribution de la moyenne suit une loi de STUDENT ( n < 30)

Pour α = 0,05 on lit la valeur limite t° dans la table de STUDENT


t° ( α = 0,05  = n-1) =LOI.STUDENT.INVERSE(0,05; n-1)

Si tech ≤ t° : les valeurs de mech et pop sont statistiquement comparables

Si tech > t° : les valeurs de mech et pop ne sont pas statistiquement


comparables

60
On peut aussi chercher la « p-value » de tech = probabilité que H° soit juste
S(t)

(P value)/2 (P value)/2
a/2 a/2

t
-t° -t ech + t ech+ t°

p-value > 0,05 (ou 0,1) p-value ≤ 0,05 (ou 0,1)


H° ne peut être rejetée  (H° VRAIE) H° peut être rejetée  (H° FAUSSE)
Les moyennes sont comparables Les moyennes ne sont pas comparables

61
Exercice N°2
Une machine délivre des gélule dosées (en théorie ) à 15 mg de
pa/gélule
On prélève 26 gélules
 mech = 15,3 mg
 s ech = 0,5 mg
Au risque de 5% que peut-on en déduire ?

62
Corrigé exercice N°2

15,3 15 0,3


t ech   3
0,5 0,1
26 1 tech > t°  la machine est déréglée !

t° ( 0,05 , n = 25) = 2,06

63
3-4 Comparaison de deux moyennes (petits échantillons n<30)
Position du problème

Échantillon1 Échantillon2
Moyenne m 1 = 10 Moyenne m 2 = 8
Écart type s 1 = 1 Écart type s 2 = 2
Effectif n1 = 7 Effectif n2 = 9

Les échantillons 1 et 2 proviennent –t-ils d’une même population ?

64
Formulation des hypothèses de travail
H° : la différence observée n’est pas statistiquement significative : elle ne
provient que du hasard d’échantillonnage
H1 La différence observée est statistiquement significative: le hasard seul
n’explique pas cette différence

Solution :
On commence par tester l’égalité des variances par un test F

variance la plus élévée σ 22


Fech   2 4
variance la moins élévée σ1

F° [0,05 ; n1(numérateur) = 9-1 =8 ; n2 (dénominateur) = 7-1 = 6] = 4,15

65
F°[0,05 ; n1(numérateur) = 9-1 =8 ; n2 (dénominateur) = 7-1 = 6] = 4,15
Distribution "F" de Fisher-Snedecor

(seuil de risque alpha = 0,05)


DL 1 (num)
DL 2
(den) 1 2 3 4 5 6 8 12 24
1 161 199 216 225 230 234 239 244 249
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,84 8,74 8,64
4 7,71 6,94 6,59 6,39 6,26 6,16 6,04 5,91 5,77
5 6,61 5,79 5,41 5,19 5,05 4,95 4,82 4,68 4,53
6 5,99 5,14 4,76 4,53 4,39 4,28 4,15 4,00 3,84
7 5,59 4,74 4,35 4,12 3,97 3,87 3,73 3,57 3,41
8 5,32 4,46 4,07 3,84 3,69 3,58 3,44 3,28 3,12
9 5,12 4,26 3,86 3,63 3,48 3,37 3,23 3,07 2,90
10 4,96 4,10 3,71 3,48 3,33 3,22 3,07 2,90 2,74
11 4,84 3,98 3,59 3,36 3,20 3,10 2,95 2,79 2,61
12 4,75 3,89 3,49 3,26 3,11 3,00 2,85 2,69 2,51
13 4,67 3,81 3,41 3,18 3,03 2,92 2,77 2,60 2,42
14 4,60 3,74 3,34 3,11 2,96 2,85 2,70 2,53 2,35
15 4,54 3,68 3,29 3,06 2,90 2,79 2,64 2,48 2,29
16 4,50 3,63 3,24 3,01 2,85 2,74 2,59 2,42 2,24
17 4,45 3,59 3,19 2,96 2,81 2,70 2,55 2,38 2,20
18 4,41 3,55 3,16 2,93 2,77 2,66 2,51 2,34 2,15
19 4,38 3,52 3,13 2,90 2,74 2,63 2,48 2,31 2,11

=INVERSE.LOI.F(0,05;8;6)
66
Ici F ech < F°  les variances sont comparables
 on peut comparer les moyennes
Si F ech > F°  les variances ne sont pas comparables
 les échantillons ne proviennent pas de la même population

67
Comparaison des moyennes
VA = différence des moyennes
Cette VA admet
Comme moyenne (mpop – mpop) = 0

1 1
Comme écart type σd  σe (  )
n1 n 2
n1σ12  n 2 σ 22
σ 2
e 
n1  n 2 - 2
avec ou
2
(n 1 - 1)σ1pop  (n 2 - 1)σ 22pop
σ e2 
n1  n 2 - 2

(m 1 - m 2 ) - 0 m1 - m 2 2
t ech     2,40
σd σd 0,83
t° ( a = 0,05 ; n = n1+n2-2 = 14) =
2,15 68
(m 1 - m 2 ) - 0 m1 - m 2 2
t ech     2,40
σd σd 0,83
t° ( a = 0,05 ; n = n1+n2-2 = 14) =
2,15
Ici t ech > t°
 les moyennes ne sont pas statistiquement égales (H° est
fausse)
 Les deux échantillons ne proviennent pas de la même
population

Si on avait eu tech < t°


 les moyennes auraient été comparables (H° vraie)
 on aurait pu affirmer que les deux échantillons
proviennent de la même population

69
Exercice N°3

Dans un fut de comprimes on prélève


•10 comprimés au niveau supérieur
 m1 = 360 mg s1pop = 5 mg
•16 comprimés au niveau inférieur
 m2 = 365 mg s2pop = 4 mg

Le fut est-il homogène ?

70
Corrigé Exercice N°3
•10 comprimes au niveau supérieur  m1 = 360 mg s1pop = 5 mg
•16 comprimés au niveau inférieur  m2 = 365 mg s2pop = 4 mg
 Comparaison des variances
Fech = 5²/4² = 1,56
Les variances sont comparables
F° = inverse.loi.F (0,05;9;15) = 2,59
 Comparaison des moyennes
2
(n 1 - 1)σ1pop  (n 2 - 1)σ 22pop (10 - 1) * 5 * 5  (16 - 1). * 4. * 4 9 * 25  15 *16
σ 
2
e    19,375
n1  n 2 - 2 10  16 - 2 24
 σ e  19,375  4,4
1 1 1 1
σd  σe (  )  4,4 *  )  1,77
n1 n2 10 16)

m1 - m 2 5
t ech     2,82 Les moyennes ne sont pas
σd 1,77
comparables
t° = loi.student.inverse(0,05; 24) =2,06
71
3-5 Analyse de la variance : ( ANalyse Of VAriance = AN0VA)
GROUPES
(laboratoires, opérateurs, jours
d'analyses etc..)
<--------------j-(varie de 1 à k)---------------->
L1 L2 L3 L4 Lj Lk

X1 41 36 50 43
X2 46 39 51 53
X3 54 43 51 47
X4 44 38 37 53
X5 42 37 47 53
i (1 à n) X6 45 35 47 50

Xi Xi1 Xi2 Xi3 Xi4 Xij Xik

Xn XnJ

MOYENNE => mj 45,33 38,00 47,17 49,83


VARIANCE => VARj 21,47 8,00 28,17 16,97

Position du problème
Peut-on considérer que les groupes (échantillons) sont comparables ? C’est-à-
dire qu’ils proviennent d’une même population ?
72
Formulation des hypothèses de travail
H° : les différences de moyennes observées ne sont pas statistiquement
significatives : elles ne proviennent que du hasard d’échantillonnage
H1 Les différences observées sont statistiquement significatives: le hasard
seul n’explique pas ces différences

Si H° est vraie et si les variances des groupes sont homogènes alors les
variances de la population estimées à partir:
• des valeurs contenues à • des valeurs des moyennes
l’intérieur de chaque groupe: des échantillons :
S12 = MSE (Mean Square Error) S22 =MSM (Mean Square Model)

* m1 * m3
* m2
* m4 doivent être
statistiquement comparables

73
Il faut commencer par tester l’homogénéité des variances par un test de
COCHRAN

L1 L2 L3 L4

X1 41 36 50 43
X2 46 39 51 53
X3 54 43 51 47
X4 44 38 37 53
X5 42 37 47 53
somme
X6 45 35 47 50 Cech
VAR
VAR 21,47 8,00 28,17 16,97 74,6 0,38

Variance maximale
On compare Cech = = 0,38
 Variances
Avec la valeur C° (0,05; k; n-1) lue dans la table de COCHRAN
K = nombre de groupe (ici 4 ) et n = nombre de répétitions ou d’essais par groupe (ici 6)

74
Table de Cochran
risque 5%
n = n-1==>
n nbr répétitions
ou essais par
groupe 1 2 3 4 5 6 7 8
k=p
(nombre de
groupes)

2 1 0,975 0,939 0,906 0,877 0,853 0,833 0,816
3 0,967 0,871 0,798 0,746 0,707 0,677 0,653 0,633
4 0,906 0,768 0,684 0,629 0,59 0,56 0,537 0,518
5 0,841 0,684 0,598 0,544 0,506 0,478 0,456 0,439
6 0,781 0,616 0,532 0,48 0,445 0,418 0,398 0,382
7 0,727 0,561 0,48 0,431 0,397 0,373 0,354 0,338
8 0,68 0,516 0,438 0,391 0,36 0,336 0,319 0,304
9 0,638 0,478 0,403 0,358 0,329 0,307 0,29 0,277
10 0,602 0,445 0,373 0,331 0,303 0,282 0,267 0,254
11 0,57 0,417 0,348 0,308 0,281
12 0,541 0,392 0,326 0,288 0,262 0,244 0,23 0,219
13 0,515 0,371 0,307 0,271 0,243
14 0,492 0,352 0,291 0,255 0,232
15 0,471 0,335 0,276 0,242 0,22 0,203 0,191 0,182

Cech = 0,38 < C° (=0,59) => Les variances sont homogènes


75
Puisque les variances des groupes sont homogènes on va
comparer les variances de la population estimée:

Si H° est vraie ces deux variances doivent être comparables

76
 

i n j
1
Pour un groupe Gj donné σ 2
pop  
n j  1 i 1
(x ij  m j ) 2

 Pour l’ensemble des Gj j k in j


1 1
(en supposant que les k groupes S  
2
1  ij j(x  m ) 2

comportent le même nombre n de valeurs) k j1 n j  1 i 1

ddl = n = k(n-1) (=4(6-1) = 20 dans l’exemple)


j k I  nj
1 1
σ 2pop  S12    (x ij  m j ) 2
( = 18,65 dans l’exemple)
k j1 n j  1 i 1
 

77
 

m1 , m2 , … mj, …mk sont les éléments constituant l’échantillon de la


population des moyennes: On peut donc à partir de cet échantillon estimer
j k
1
La moyenne de la population des moyennes μ m  m  k
m
j1
j

j k
1
La variance de la population des σ 2m   j
k - 1 j1
(m  m) 2

moyennes
j k
n
 pop
2
 S22  nσ 2m  
k - 1 j1
(m j  m) 2 ( = 154,28 dans
l’exemple)
Avec un ddl n = k- 1 ( = (4-1)= 3 dans l’exemple)
 

78
Si H° est juste S22 = S12
Les variances estimées S12 et S22 doivent être voisines
MSM = MSE

Si H° est fausse (donc si H1 est juste):

S22 = S12 + n (variance intergroupe)


en effet on démontre
que dans ce cas MSM = MSE + n (variance intergroupe)

79
TEST F
S22 154,28
Fech  2  8,27 F° ( a = 0,05 ; n1 = (k-1) = 3 , n2 = (k(n-1) =20 ) =
S1 18,65 3,1

Fech > F° l’hypothèse émise H° est rejetée: Les différences de


moyennes constatées ne proviennent pas uniquement du hasard:
les groupes (ici laboratoires) ne sont pas comparables
Si Fech < Fa on aurait accepté l’hypothèse H°

80
Exemple de calcul avec EXCEL

L1 L2 L3 L4

X1 41 36 50 43
X2 46 39 51 53
X3 54 43 51 47
X4 44 38 37 53
X5 42 37 47 53
X6 45 35 47 50
Var 21,47 8,00 28,17 16,97
moy 45,33 38,00 47,17 49,83

moyenne des variances 2


18,65 S 1

2
6* var(ensemble des moyennes) 154,28 S 2
S 22 154,28
Fech  2   8,27 F° ( α = 0,05 ; 3 , 20 ) = 3,1
S1 18,65

81
Faiblesse du protocole SFSTP
1992

82
Substance à analyser à Appareil de Réponse de l’appareil
la concentration x mesure y
Y = f (x )
Résumé du plan expérimental de validation
 Jour 1  Jour 2 jour 3
Réponse y Réponse y

 
     

     
   
  
Concentration x Concentration x
PA FR

Étude de la linéarité et de la spécificité


Étude de l’exactitude
Étude Fidélité :
faite sur 100 % de la FR
3 jours de suite (au moins 6 répétitions par jour)
Ce guide présente cependant un certain nombre de faiblesses 83
-Problèmes pratiques posés par l’application du guideline SFSTP 1992
-1 réponses = résultats ? (étude de la linéarité)
ICH Q2(R1)
La linéarité d’une procédure analytique est sa capacité à fournir des
résultats directement proportionnels à la concentration (quantité) en
substance présente dans l’échantillon
60% de C°: X1 = 0,6 C°  Réponse y1
SFSTP => réaliser une
80% de C°: X2 = 0,8 C°  Réponse y2
gamme étalon de 5
concentrations encadrant la 100% de C°: X3 = 1,0 C°  Réponse y3
concentration théorique C° 120% de C°: X4 = 1,2 C°  Réponse y4
à déterminer 140% de C°: X5 = 1,4 C°  Réponse y5
Y = Réponse Réponses = Résultats ?

y5
y4
Y = aX + b
y3
y2 X = Concentrations
y1
x1 x2 x3 x4 x5
84
-2 Problème posé pour prouver que l’ordonnée à l’origine n’est statistiquement différente
de zéro

Y = ax + b
Puisque la méthode est spécifique quand x = 0 => y = 0
or si Y = ax +b quand X =0 => Y= b
il faut donc prouver que b n’est pas statistiquement différent de zéro

La valeur tb
b - 0 b
= =
s s
b b

est comparé à la valeur t°(a,  = n-2) lue dans la table de STUDENT

Si tb < t°  L’ordonnée à l’origine est statistiquement égale à zéro


85
3.Problèmes pratiques soulevés par l’application de ce test
b-0 b Comparé à t° (a , n = n-2)
tb  
σb σb
Pour que b soit statistiquement considéré comme non différent de zéro
il faut que tb < t° or sb = f( dispersion des points autour de la droite)

R R
*
*
*
* *
*
*
* *
*
x x

b = 0,1 sb = 0,1 b = 10-5 sb = 10-6

tb = 1 t°(0,05,3) = 3,18 tb = 10 t°(0,05,3) = 3,18

tb < t° => b comparable à 0 tb > t° => b non comparable à 0 !

Plus la dispersion des points autour de la droite est importante plus il est facile
de prouver que b est statistiquement égal à 0 !!!!
86
4- Problème posé pour déterminer l’EXACTITUDE

SFSTP 1992 L’exactitude se détermine en calculant l’intervalle de


confiance de l’index de recouvrement moyen (IRM) calculé pour la
forme reconstituée en se servant de l’équation de régression y = ax + b
obtenue pour le principe actif.

Si l’intervalle de confiance contient la valeur 100 alors la méthode est


déclarée exacte

Méthode « exacte » donc valide

Méthode « inexacte » donc non valide

95 100 105

87
Problèmes pratiques soulevés par l’application de ce Test

Méthode « exacte » donc valide

Méthode « inexacte » donc non valide

95 100 105

Quelle crédibilité donner à ma validation dans la mesure où plus mes données


sont « variables » plus elles ont de chance d’être acceptables

Quelles sont les conséquences si je considère, malgré tout, que la méthode est
exacte?

88
EN RESUME

L’application stricte du guide SFSTP 1992 pose des problèmes d’interprétation lorsque
la variabilité des mesures est très faible.

De plus, souvent, les termes employés pour définir les critères de validation n’ont pas
toujours la même signification selon le texte auquel on se réfère

CONFUSION DANS LE TEXTE ICH Q2(R1) ENTRE LINEARITE ET


FONCTION DE REPONSE

CONFUSION SELON LE TEXTE AUQUEL ON SE REFERE [ICH Q2(R1)


OU LE TEXTE ISO 5725 , 1996] ENTRE JUSTESSE ET EXACTITURE

89
CONFUSION DANS LE TEXTE ICH Q2(R1)
ENTRE LINEARITE ET FONCTION DE REPONSE

ICH Q2(R1)
La linéarité d’une procédure analytique est sa capacité à fournir des résultats
directement proportionnels à la concentration (quantité) en substance présente
dans l’échantillon

Confusion entre
linéarité
et
fonction de réponse

ICH Q2(R1)
La linéarité peut être évaluée par un examen visuel du graphique des réponses en
fonction de la concentration.

90
La linéarité peut être évaluée par un examen visuel du graphiques des réponses
en fonction de la concentration.

L’exigence de la linéarité ne peut pas s’appliquer aux réponses

Réponse = f (c)
f: fonction de réponse

Réponse

*
*
*
* Concentration
introduite
*
f doit simplement être strictement monotone
91
La linéarité d’une procédure analytique est sa capacité à fournir des résultats
directement proportionnels à la concentration (quantité) en substance présente dans
l’échantillon

L’exigence de la linéarité ne peut s’appliquer qu’aux résultats


[concentration calculée] = a [concentration introduite] +b

Concentration
*
calculée

*
*

* Concentration
*
introduite

92
La validation selon le
protocole SFSTP 2003-2006

93
Commission SFSTP, propose de revoir les
bases mêmes de la validation analytique pour
une démarche harmonisée, en distinguant
notamment les règles de diagnostic et les
règles de décision.

94
Guide SFSTP 2003-2006

Publication du Guide de validation de (2003-2006)

Revue Française « STP Pharma Pratique »


«  Validation Des Procédures Analytiques Quantitatives : Harmonisation Des Démarches » 

 Mai/juin 2003 (Généralités)


STP Pharma Pratique, 7, 2003, (101-138)
 Janvier/février 2006 (Statistique)
STP Pharma Pratique, 16,2006, (1-31)
 Mars/Avril 2006 (Exemples)
STP Pharma Pratique, 16,2006, (87-121)
Quel est l’objectif d’une procédure?

L’objectif d’une procédure est de pouvoir déterminer avec le plus d’exactitude


possible chacune des quantités (ou concentrations) inconnues qu’un laboratoire
aura à doser, puis à démontrer que l’écart entre ces concentrations et les
concentrations de références se situent dans les limites d’acceptation
[- , + ] fixées à priori pour chaque type d’application.

-< x-u < +


= 2% pour les analyses d’une matière première
= 5% pour un produit fini
= 15% en analyse biologique

96
96
Quel est l’objectif de la validation?

C’est de pouvoir donner au laboratoire et aux autorités réglementaires des garanties


que chaque résultat qui sera obtenu dans le futur par cette méthodologie sera
suffisamment proche de la vraie valeur de l’échantillon à doser, c’est-à-dire que la
probabilité que |X-U| <  , doit être supérieure ou égale à une valeur minimale  (par
exemple 90 ou 95 %)

Prob (|X-U | <  ) ≥ 


La probabilité que |X-V| < l doit être supérieure ou égale à une valeur minimale b (par
exemple 90 ou 95 %)
|X-U | = erreur totale = Biais + Écart type

97
97
REGLE DE DIAGNOSTIC & DE DECISION

Méthodologie basée sur l’erreur totale

• Erreur totale = Er. systématique + Er. Aléatoire


• Er. systématique = Biais = Justesse de la méthode
• Er. aléatoire = Variance = Fidélité de la méthode

Outil de décision: Profil d’exactitude

• Evaluer la capacité de la procédure à fournir des résultats dans les limites


d’acceptation: outil visuel de décision.
• Prédire la fiabilité du comportement de la méthode analytique lors de son
utilisation en routine: gestion de risque.
98
Guide SFSTP 2003-2006

l’application du protocole de validation : (2003-2006)

- Calcul des fonctions de réponse.


- Calcul des prédictions inverses après alignement des
réponses.
- Estimation de la fidélité.
- Estimation de la justesse.
- Estimation de l’exactitude.
- Calcul des intervalles de tolérance et du profil d’exactitude.
- Détermination de la linéarité.

99
1- détermination pratique du BIAIS de la FIDELITE INTERMEDAIRE et de
l’ERREUR TOTALE

Après avoir vérifié la spécificité de la méthode d’analyse on opère sur deux


ensembles d’échantillons

• 3 séries de standards d’étalonnage (SE)


• 3 séries de standards de validation (SV)

Les SE peuvent être réalisés sans la matrice (si on a démontré qu’il n’y a pas d’effet
matrice) ou avec la matrice.

Les SV doivent toujours être réalisés avec la matrice (Forme pharmaceutique


reconstituée)

SE 1 SE2 SE3

SV 1 SV2 SV3
100
SE : Standards d’Etalonnage

Réponse = Y

A chaque niveau de
concentration il faut faire au
minimum 2 répétitions

X = concentration

Le nombre de niveaux de concentration a utiliser est laissé à


l’appréciation de l’analyste (il peut être de 1, 2 , 3 …)

À Partir des SE on va déterminer les différentes fonctions de réponse y = f(x) c’est à


dire les relations mathématiques pouvant relier la réponse Y à la quantité ou à la
concentration X de substance à doser.

101
Réponse = Y

X = concentration

Différentes fonctions de réponse Y = f(x) peuvent être testées


y = ax + b [droite ne passant pas par l’origine = linéaire]
y = a1x [droite passant par l’origine prenant en compte
l’ensemble des points = linéaire passant par zéro]
Y = axb [puissance]
Y = a2x [droite passant par zéro et un point de gamme (en
général le 100 %) = linéaire 0-100%]

Y = ax2 + bx + C [polynomiale de degré 2] Etc..


102
SV : Standard de Validation
Réponse = Y

A chaque niveau de
concentration il faut faire au
minimum 3 répétitions

X = concentration

Le nombre de niveaux de concentration a utiliser est au moins de 3

et obligatoirement de 5 pour les validations pharmaceutiques


(exigence linéarité ICH) .

103
Si pour un niveau de concentration les quantités introduites ne sont pas identiques pour
toutes les séries il est indispensable de procéder à un alignement des réponses sur la
valeur concentration moyenne( ou la concentration théorique du niveau considéré)

Alignement des réponses des SV

On démontre que l’alignement des n répétitions d’un niveau donné s’effectue comme
suit
YNi = yi + f(xm) – f(xi)
f est la fonction de réponse testée avec les SE

Prédiction inverse

on utilise les fonctions de réponses réciproques pour calculer les quantités ou


concentrations x* des standards de validation à partir des réponses alignées R de
l’appareil de mesure
x* = f-1 ( Y )

104
Exemple : dosage d’un PA dans un soluté
( teneur théorique est de 50 mg.ml-1)

SERIE 1 SERIE 2 SERIE 3


[C] [C] [C] [C]
SE Théorique introduite
Absorbance
introduite
Absorbance
introduite
Absorbance

Niveau 1 40 39,9 0,6 40 0,596 40,2 0,603


80%
40 40,1 0,598 40,1 0,601 39,9 0,597
Niveau 2
45 45 0,68 44,9 0,678 45 0,679
90%
45 44,9 0,675 45,2 0,679 45,1 0,68

Niveau 3 50 50,2 0,75 50 0,748 50,1 0,752


100%
50 49,8 0,748 49,8 0,747 50 0,75

Niveau 4 55 54,8 0,825 55,1 0,827 55 0,825


110%
55 54,9 0,827 54,8 0,826 55,2 0,828

Niveau 5 60 59,8 0,9 60 0,897 60,2 0,903


120%

105
Fonction de réponses testées avec les SE

Y = aX + b Y = a1 X Y = a2 X (100 %)
Série 1 b = -0,00236
(Jour 1) a = 0,01507 a1 = 0,01502 a2 = 0,01498
Série 2 b = -0,00131
(jour 2) a = 0,01503 a1 = 0,01500 a2 =0,01498
Série 3 b = 0,00288
(jour 3) a = 0,01496 a1 = 0,01501 a2 =0,01500
106
SE SE SE
Série 1 Série 2 Série 3

[C] [C] [C] [C]


SV théorique Introduite
ABS
Introduite
ABS
Introduite
ABS

40 40,1 0,601 40 0,596 40,1 0,603


Niveau 1 40 39,9 0,598 39,9 0,604 40 0,6
80% 40 39,8 0,599 39,9 0,602 39,8 0,597
40 40 0,6 40 0,598 40 0,601
45 45 0,68 45,1 0,68 45 0,678
Niveau 2 45 44,9 0,68 45,2 0,68 45,1 0,681
90% 45 45,2 0,681 45 0,682 44,8 0,678
45 45 0,682 44,9 0,679 44,8 0,68
50 50,1 0,75 50,1 0,751 50,2 0,752
Niveau 3 50 50,2 0,748 50,2 0,749 50,1 0,75
100% 50 50,2 0,749 50,2 0,748 50,2 0,749
50 50 0,748 49,9 0,75 50 0,75
55 55 0,825 55,1 0,827 55 0,828
Niveau 4 55 55 0,827 55,1 0,826 55 0,826
110% 55 54,9 0,825 54,9 0,826 54,9 0,827
55 55,1 0,827 54,9 0,825 55,1 0,824
60 61 0,9 59,8 0,9 61 0,897
Niveau 5 60 60 0,89 59,9 0,895 60 0,895
120% 60 60 0,9 60 0,899 60 0,897
60 59,9 0,895 59,9 0,898 59,9 0,9
107
Prédiction inverse après alignement des réponses des SV
X= (Y-b)/a X= Y/a1 100% X = Y/a2
[C] Vraie
(introduite)
S1 S2 S3 S1 S2 S3 S1 S2 S3
40 39,94 39,75 40,03 39,91 39,73 40,07 40,02 39,79 40,09
Niveau 1 40 39,94 40,38 39,93 39,91 40,36 39,97 40,02 40,42 39,99
80% 40 40,11 40,25 39,93 40,07 40,23 39,97 40,19 40,29 39,99
40 39,98 39,88 39,99 39,94 39,86 40,04 40,05 39,92 40,05
45 45,28 45,24 45,14 45,27 45,23 45,16 45,39 45,29 45,18
Niveau 2 45 45,38 45,14 45,24 45,37 45,13 45,26 45,49 45,19 45,28
90% 45 45,15 45,47 45,34 45,13 45,46 45,36 45,26 45,53 45,38
45 45,42 45,37 45,48 45,40 45,36 45,50 45,53 45,43 45,52
50 49,83 49,96 49,89 49,83 49,96 49,89 49,97 50,03 49,92
Niveau 3 50 49,60 49,73 49,86 49,59 49,72 49,86 49,73 49,80 49,88
100% 50 49,66 49,66 49,69 49,66 49,66 49,69 49,80 49,73 49,72
50 49,80 50,09 49,96 49,79 50,09 49,96 49,93 50,17 49,98
55 54,91 55,02 55,17 54,92 55,02 55,16 55,07 55,11 55,18
Niveau 4 55 55,04 54,95 55,04 55,05 54,96 55,02 55,21 55,04 55,05
110% 55 55,01 55,15 55,21 55,02 55,16 55,19 55,17 55,24 55,21
55 54,94 55,08 54,80 54,95 55,09 54,79 55,11 55,17 54,82
60 58,88 60,17 58,79 58,91 60,19 58,75 59,08 60,28 58,78
Niveau 5 60 59,22 59,74 59,65 59,25 59,76 59,62 59,41 59,85 59,65
120% 60 59,88 59,91 59,79 59,91 59,92 59,75 60,08 60,01 59,78
60 59,65 59,94 60,09 59,68 59,96 60,05 59,85 60,05 60,08
108
Calcul du BIAIS , CV Répétabilité, CV Fidélité intermédiaire et Erreur totale
X* = (Y-b)/a
[C] Vraie
S1 S2 S3
Introduite
40 39,94 39,75 40,03 Biais % 0,02
40 39,94 40,38 39,93 recouv % 100,02
40 40,11 40,25 39,93 VARRé (Intra) 0,03
40 39,98 39,88 39,99 VARInte r 0,00
moyenne 39,99 40,06 39,97 VARFi 0,03
Variance 0,01 0,09 0,00 CVRé 0,42
moy géné 40,01 MSM 0,01 CVFi 0,42
v ar géne 0,03 MSE 0,03 Err Totale 0,44
M o y e n n e ( [ C ] d é te r m in é e s ) - [ C ] v r a ie )
B IA IS %  *100
[ C ] v r a ie
MSM = n*Variance des Moyennes MSE = Moyenne des Variances
(n = nombre répétitions)
Si MSE < MSM VARintra = MSE et VARinter = (MSM-MSE)/n
SINON VARintra = VAR géné et VARinter = 0
VAR Ré = VARintra V A R Ré
C V Ré %  *100
m o ye nne gé né ra le

VARFi= VARintra + VARinter V A R FI


C V FI %  *100
m o ye nne gé né ra le
109

Vous aimerez peut-être aussi