Methodenvalidierung

Von kleinen Werten mit grossem Einfluss - Sum Of Squares - Teil 2

Geschrieben von Gastautor am . Veröffentlicht in Methodenvalidierung

Im ersten Teil dieses Blogartikels haben wir die RSS kennengelernt und begonnen, uns dem Einfluss der Einzelwerte zu nähern. Daran schließt dieser Teil an.

 

Hat Values und Cooks Distance – was beeinflusst die lineare Regression tatsächlich?

Der Einfluss eines einzelnen Datenpunktes lässt sich erst damit bestimmen, wenn man untersucht, ob das Entfernen des Datenpunktes die Regressionsgerade stark verschieben würde. Es ist durchaus möglich, dass Datenpunkte mit großem Anteil der RSS die Regressionsgerade kaum verschieben würden, wenn sie entfernt würden. Dies ist abhängig davon, in welcher Entfernung sich der Datenpunkt zu dem Rest aller anderen Datenpunkte befindet. Folgende Grafik zeigt den jeweiligen Einfluss der Datenpunkte auf die Regressionsgerade, würde man diese entfernen:

Von kleinen Werten mit grossem Einfluss - Sum Of Squares - Teil 1

Geschrieben von Gastautor am . Veröffentlicht in Methodenvalidierung

 

Jeder kennt diese Situation aus der eigenen, alltäglichen Arbeit: Es sind manchmal die kleinen Dinge, die einen großen Einfluss auf das Ergebnis unserer Arbeit haben können. Manchmal gewinnen unscheinbare Faktoren auf einmal an Bedeutung, wenn ihnen die entsprechende Aufmerksamkeit geschenkt wird – oder geschenkt werden muss. Einer dieser unscheinbaren Faktoren kann gerade bei der analytischen Methodenvalidierung eine große Rolle spielen. Oft wird dieser Faktor, diese eine Zahl, übersehen, denn ihr Wert spielt bei der Validierung auf den ersten Blick keine große Rolle. Der Name dieser Zahl ist die sogenannte residual sum of squares, kurz RSS, oder zu Deutsch die „Summe der Fehlerquadrate“. Was es mit dieser residual sum of squares auf sich hat und wie man diese Zahl interpretiert, werden wir in diesem Beitrag am Beispiel der analytischen Methodenvalidierung klären und damit dieser Zahl die Bedeutung zukommen lassen, die sie verdient. Ebenso werden die Vor- und Nachteile der RSS besprochen, sowie Ansätze diskutiert, mit denen man potentielle Fehlinterpretationen der residual sum of squares vorbeugen kann.

Validierung mikrobiologischer Methoden

Geschrieben von Dr. Janet Thode am . Veröffentlicht in Methodenvalidierung

Mikrobiologische Methoden finden in der pharmazeutischen Industrie in vielfacher Zahl Anwendung. Auf Grund der Tatsache, dass mit lebenden Organismen gearbeitet wird, sind bei der Versuchsdurchführung viele Faktoren zu berücksichtigen. Viele traditionelle Methoden haben sich über die Jahre etabliert und sind in den Arzneibüchern als Maß aller Dinge vorgegeben (Arzneibuchmethoden). Ihre Anwendung ist unter Beachtung der entsprechenden Vorgaben ohne eine spezifische Überprüfung (Validierung) möglich, eine Verifizierung ist ausreichend. Auf Grund neuerer technischer Methoden gibt es die Möglichkeit, alternative Methoden einzusetzen, die ein Labor oder Unternehmen selbst entwickelt. Um sicherzustellen, dass auch diese Prüfung nachweislich zu einem korrekten Ergebnis führt, ist diese vorab zu validieren.

Was ist eigentlich ein Konfidenzintervall?

Geschrieben von Dr. Eva Arnold am . Veröffentlicht in Methodenvalidierung

Bei der Herstellung eines Arzneimittels sind die Kontrollen mandatorisch. Hier kommt man schnell auf ein Problem: Um den Endverbraucher zu schützen, möchte man keine Fehler in einem Produktionsschritt übersehen. Andererseits ist eine 100 % Kontrolle in einigen Produktionsschritten nicht möglich. So kann man beispielsweise nicht jede einzeln verpackte Tablette wieder auspacken und auf ihre Beschaffenheit untersuchen, nur um sicher zu sein, dass kein Fehler übersehen wurde.

Aus diesem Grund nimmt man eine Stichprobe, das heißt man entscheidet sich für eine gewisse Menge an Tabletten pro Charge, um diese auf Fehler zu untersuchen. Anschließend muss von dieser Stichprobe ausgehend eine Schätzung abgegeben werden, die sich auf die gesamte Charge bezieht. Hier kommt das sogenannte Konfidenzintervall ins Spiel.

Lineare versus nicht-lineare Regression: Was ist zu beachten?

Geschrieben von Dr. Eva Arnold am . Veröffentlicht in Methodenvalidierung

In jeder Methode, bei der es um die Quantifizierung eines Analyten geht, ist die Linearität einer Kalibriergeraden ein ausschlaggebendes Kriterium für die Richtigkeit der Werte. Die gemessenen Werte sollten im besten Fall also direkt proportional zur eingesetzten Konzentration darstellbar sein. Die meisten Messmethoden haben ihre Grenzen, weshalb man den messbaren Bereich (linearen Bereich) oft eingrenzt. Laut ICH Q2(R1) Leitfaden zur Methodenvalidierung ist die Linearität in einem spezifizierten Konzentrationsbereich (Range) mit der Methode der kleinsten Quadrate nachzuweisen. Unbedingt zu vermeiden ist es, den erzeugten Daten eine lineare Regression aufzuzwingen, wo unter Umständen keine vorhanden ist. Lässt sich bei Auftragung der Konzentration gegen die Messwerte eine Kurve erahnen, sollte eine genauere Regressionsanalyse in Betracht gezogen werden.

Erhöhung der Sensitivität bei LOD/LOQ-Problemen bei HPLC-Methoden

Geschrieben von Eva Arnold am . Veröffentlicht in Methodenvalidierung

Bei der Validierung von Methoden zur Reinheitsprüfung kommt man früher oder später an den Punkt, an dem man die Detektions- und Quantifikationsgrenze bestimmen muss. Die Detektionsgrenze, auf Englisch Limit of detection oder LOD, ist definiert als die niedrigste Menge des Analyten einer Probe, die noch detektiert werden kann. Hier geht es nur um die Detektion, nicht die Quantifikation – während es bei der Quantifikationsgrenze (englisch: Limit of quantitation, LOQ) um die niedrigste Menge des Analyten einer Probe geht, die noch zuverlässig quantifiziert werden kann. Das heißt, die Quantifizierung muss den gegebenen Anforderungen hinsichtlich Präzision und Genauigkeit entsprechen.