假设检验在GMP中的应用

一般行业说起质量管理，津津乐道的是起源于丰田的精益管理和起源于摩托罗拉的六西格玛管理，尤其是在丰田乃至日本的成功，让六西格玛和精益声名大噪，也似乎成为了武藏曲线的理论基础，六西格玛是以数据为基础，利用统计学的工具，追求几乎完美无暇的质量管理方法，在很多制造业奉为圣经。但是制药/疫苗行业质量管理一直以GMP为法律准绳，利用统计学的不多，因为GMP的目的旨在防止污染、交叉污染、混淆和差错，对六西格玛相对偏向经济学的方法没有深度的融合，但是两者是不冲突的，而且随着制药/疫苗行业增长率日益趋近社会评价行业增长率，成本压力陡增，以统计学为基础的六西格玛管理在很多跨国制药/疫苗公司如火如荼，再次证明了统计学与质量管理的高度契合，这让我想起了质量风险管理的原则之一：质量风险的评估应基于科学知识以及根本上和对患者/消费者的保护相联系。也就是说，任何风险评估均以科学知识为基础，而统计学就是用数据说话的科学。在此，常用的鱼骨图，直方图，散点图等简易图表不再赘述，在很多产品的年度回顾中已经得到了大量的运用，仅将统计学中较为常见的假设检验为例说明统计学在GMP的应用。

假设检验在工艺改进中的应用

某企业针对疫苗的工艺进行了优化，按照变更控制程序进行前后的数据的对比，针对CQA（关键质量属性）-效价进行比较，变更前后的效价分别见下表：

表1 变更前后的效价

变更前	变更后
3.95	4.00
3.95	3.80
4.00	4.20
3.67	4.50
3.73	4.00
3.77	4.00
3.80	3.60
3.76	4.00
3.60	4.10
3.57	3.90
4.00	4.10
3.70	4.40
4.10	4.20
4.40	4.20
3.90	3.80
4.00	4.10
3.70	4.00
3.40	4.00
3.20	4.40
3.57	4.00
3.70	4.20
3.40	4.20
3.20	4.30
3.57

按照双样本t检验的分析步骤

进行方差齐性检验

在此选择excel的宏插件，PHstat（可以选择minitab, SAS等软件）

结果显示，P-value=0.1735＞0.05，具备方差齐性。

进行双样本单尾假设检验

变更前效价均值为μ1，变更后效价均值为μ2

原假设H0:μ1≥μ2

备则假设H1: μ1＜μ2

P-value＜0.05，拒绝原假设，选择备择假设，即μ1＜μ2。

95%置信区间下，变更后的效价比变更前高，即通过科学知识进行评价，变更有效。

假设检验在生产控制中的应用

某企业的大容量注射剂采用自动隔离器生产线生产，每袋的容量是255ml，标准差为5ml。为检 验每袋容量是否符合要求，质检人员在某天生产的生产线中随机抽取了40袋进行检验，测得每袋平均容量为255.8ml。取显著性水平a=0.05，检验该天生产的注射剂容量是否符合标准要求？

同理，该问题可以转换为单样本双尾检验，总体标准差已知，选择Z检验，原假设H0:灌装量μ=255，备择假设H1:灌装量μ≠255

Z检验的结果如下：

P-value=0.3116＞0.05，不能拒绝原假设，即灌装量符合要求。

假设检验（Hypothesis testing）是关于一个总体参数的两个相反的命题，在假定其中一个是正确时作出的推断和检验。假设检验是带有概率性质的反证过程，基于用数据证实一个事实要比用数据否定一个事实困难得多，譬如在医学上，要“证明”一个人 “是健康的”是很困难的，而 要诊断一个人不是“健康的” 即“有病的”，只要有一项检验指标不合格，就足以否定此 人是“健康的”。

而且实际工作中，往往需要通过样本结果来检验一个有关总体特性（均值、方差、比例等）的论断——决策判断。这就是假设检验的实践之妙处，不仅可以用于变更评估（变更前后的显著性差异），在趋势分析、年度回顾等也多有应用。

任何的决策都是概率，都涉及统计学，统计学也是科学，是GMP中质量风险评估的依赖基础之一。

药事纵横投稿须知：稿费已上调，欢迎投稿