FDA actualiza la Guía OOS

En Mayo de este año la FDA ha actualizado la Guía de Investigación de resultados fuera de especificaciones  (OOS) que estaba vigente desde 2006.

La verdad es que no hay cambios importantes, solo alguna concreciones.

Por ejemplo insistir en que los test de outliers solo sirven para aportar mayor información sobre la distancia de los valores discordantes sobre el resto, pero que no sirven para tomar una decisión en base al resultado del test. Alguna precisiones más sobre las posibilidades de promediar resultados procedentes de una misma o diferentes muestras etc.

 

 

La generación de OOS en el laboratorio de control

El número de investigaciones OOS en un laboratorio QC es uno de los indicadores de desempeño más utilizados. Concretamente las “falsas” OOS, o aquellas en que tras la investigación no se puede confirmar que el lote esté fuera de especificaciones. Esto puede ocurrir por un problema o error relacionado con el procedimiento analítico que tras la investigación se puede identificar (causa asignable) o lo que es peor, se produce sin encontrar la causa asignable.

Cuando se produce esta situación, la inversión en recursos para llevar a cabo la investigación no es menor. Por tanto lo que es deseable es reducir al mínimo las “falsas” OOS, también llamadas falsos positivos o FF (False Failure en el gráfico). 

¿Qué causa las “falsas” OOS?

Sencillamente la variabilidad del método. Cuando la desviación estándar del método (precisión) aumenta, también aumenta la probabilidad de obtener valores en el umbral de incertidumbre alrededor de los límites de especificación. Esto es lo que genera lo que en estadística llamamos errores de Tipo I y Tipo II. En el gráfico FF es un falso positivo o valor reportado OOS cuando el valor real está OK, o MF (missing failure o falso negativo) que sería la situación contraria o liberar un lote que está mal. Ese gráfico resulta de una simulación con un programa estadístico que genera miles de pares de valores (real vs reportado) y calcula los porcentajes obtenidos de de FF y MF. En el ejemplo para una desviación estandar fijada, el porcentaje de “falsas” OOS generadas es del nada despreciable 6,9%. No debido a ningún error humano sino simplemente por cálculo de probabilidades.

¿Podemos reducir el nº de OOS?

Seguramente si. Incidiendo durante el desarrollo del método en conocer las fuentes de variabilidad para poder reducirla y así aumentar la precisión y también la robustez del método.

En este sentido la ICH Q14 y también la monografía <1220> de la USP ya vigente que aplican la metodología AQbD inciden en este tema como una de las ventajas del desarrollo de métodos con la metodología QbD