Ein tiefer Einblick in den Stichprobenumfang bei der Prozessvalidierung.
Sie fragen sich, warum ein Cpk von 1,33 nicht ausreichen soll, obwohl er bedeutet, dass nur 66 ppm fehlerhaft sind? Sie haben Recht – aber ein Cpk von 1,67 reicht auch nicht aus, ebenso wenig wie alles, was darüber liegt.
Es scheint hier also nicht um die Anzahl der Fehler zu gehen – aber was ist dann das Problem? Leider halten sich viele Zulieferer und Hersteller in der Medizinprodukteindustrie hier nicht an die Vorschriften.
In diesem Beitrag erfahren Sie:
Die aktuellen gesetzlichen Anforderungen an die Begründung des Stichprobenumfangs
Wie man eine gültige Begründung findet
Ansatz des Toleranzintervalls (k-Wert)
Konfidenzaussage
Was ist der Unterschied zwischen attributiven und variablen Daten?
Was sagen die Vorschriften zur Stichprobengröße bei der Prozessvalidierung?
ISO 13485:2016, 7.5.6 – Validierung von Prozessen für die Produktion und die Erbringung von Dienstleistungen verlangt von der Organisation in Aufzählungspunkt d), dass sie gegebenenfalls statistische Verfahren mit einer Begründung für den Stichprobenumfang dokumentiert [2].
Andere Normen wie die ISO 11607:2019 haben ähnliche Anforderungen. ISO 11607:2019 Teil 1, 4.3 – Stichprobenverfahren verlangt, dass die Stichprobenpläne auf statistisch gültigen Begründungen beruhen [3].
Aber nicht nur die ISO-Normen verlangen gültige statistische Begründungen; die US-amerikanische FDA hat eine ähnliche Anforderung in TITLE 21 CFR 820.250 – Statistical techniques – und nimmt diese sehr ernst, wie hier zu sehen ist.
Was ist eine gültige Begründung für einen Stichprobenumfang?
Es bleibt die Frage zu beantworten, wie man die Stichprobengröße in der Prozessvalidierung begründen kann.
Die erste und einfachste Antwort ist, nachzuschauen, ob es Normen gibt, die einen bestimmten Stichprobenumfang vorschreiben. Leider gibt es nur sehr wenige Normen, die wirklich spezifische Stichprobenpläne vorschreiben.
Die zweite und kompliziertere Antwort findet sich in der ISO 13485. ISO 13485:2016, 4.1.2 fordert in Aufzählungspunkt b), dass die Organisation einen risikobasierten Ansatz für die Steuerung der für das Qualitätsmanagementsystem erforderlichen Prozesse anwenden muss.
Dies ist bereits die Antwort auf unsere Frage.
Eine gültige Begründung (manchmal auch als Rechtfertigung bezeichnet) basiert auf dem Risiko (oder der Schwere) und damit auf der beabsichtigten Verwendung des Produkts, das wir in Betracht ziehen – einfach, oder?
Moment... das kommt Ihnen nicht bekannt vor und Sie haben immer noch keine Ahnung, wie Sie das machen sollen?
Toleranzintervall-Ansatz
Um den Zusammenhang mit dem Risikomanagement zu erläutern, müssen wir zunächst einen Blick auf die übliche Vorgehensweise bei der statistischen Auswertung von Daten werfen.
Die ISO 16269 ist eine Norm, die sich mit der statistischen Auswertung von Daten befasst. In Teil 6 dieser Norm wird die "Bestimmung von statistischen Toleranzintervallen" erläutert.
Wieder etwas, von dem Sie nicht wissen, was es ist? Keine Sorge – sehen Sie sich unseren Blog-Beitrag über statistische Toleranzintervalle an.
ISO 16269-6 liefert k-Werte für die statistische Toleranzintervallanalyse auf der Grundlage der Art der Verteilung (Attribut oder Variable), der Konfidenzniveaus (90 %, 95 %, 99 %), der Wahrscheinlichkeitsniveaus (auch Zuverlässigkeit) (wiederum 90 %, 95 %, 99 %) und der Stichprobengrößen.
Gemäß ISO 14971 muss eine Organisation ihre Risikoakzeptanz sowohl für Einzelrisiken als auch für das gesamte Restrisiko definieren [6].
Während diese Definition bestimmte Wahrscheinlichkeitsniveaus (auch Zuverlässigkeitsniveaus) mit Produktrisiken verbindet, muss ein Konfidenzniveau von mindestens 95 % verwendet werden, es sei denn, es wird eine Begründung dafür geliefert [1].
Nun, da wir ein Konfidenzniveau und ein Wahrscheinlichkeitsniveau (auch Zuverlässigkeit) haben, sind wir fertig, wenn wir Attributdaten haben.
Im Falle variabler Daten müssen wir nur noch den Stichprobenumfang n festlegen, um den k-Wert zu erhalten. Die in der ISO 16269-6 enthaltene Tabelle zeigt, dass der k-Wert mit zunehmendem Stichprobenumfang n abnimmt [5].
Nach all diesen Bemühungen sind wir wieder bei der Ausgangsfrage angelangt: Wie viele Stichproben?
Diesmal haben wir jedoch mehr als nur eine Anzahl von Stichproben zu prüfen.
Wir haben ein Konfidenzniveau und ein Wahrscheinlichkeitsniveau, die es uns ermöglichen, eine Konfidenzaussage zu treffen. Der Stichprobenumfang ist nun weniger kritisch, da der k-Wert mit einem kleineren Stichprobenumfang n zunimmt. Dennoch ist es wichtig, eine repräsentative Stichprobe zu haben.
Repräsentative Stichprobe
Eine Stichprobe ist repräsentativ, wenn sie die untersuchte Grundgesamtheit widerspiegelt, und kann entweder eine Zufallsstichprobe, eine geschichtete oder eine periodische Stichprobe sein.
Bei einer Zufallsstichprobe ist die Wahrscheinlichkeit, dass jede Probe ausgewählt wird, gleich groß. Bei einer geschichteten Stichprobe wird aus jeder Sammelschale eine gleiche Anzahl von Einheiten ausgewählt, und bei einer periodischen Stichprobe wird jede n-te Einheit ausgewählt.
Ich nehme an, Sie fragen sich immer noch: "Heißt das, dass ich nur 3 Proben nehmen kann?". Und die Antwort lautet: "Es kommt darauf an!"
Angenommen, wir haben ein Konfidenzniveau von 95 % und ein Wahrscheinlichkeitsniveau von 95 %, und wir bewerten:
Attributdaten (z. B. Go/No-Go); ISO 16269-6 schreibt uns vor, 59 Stichproben zu nehmen, und alle müssen bestehen [5]. Um die obige Frage zu beantworten: Nein, Sie können nicht einfach 5 Stichproben nehmen!
Variable Daten (z. B. 1,78 mm): ISO 16269-6 gibt uns mehrere Möglichkeiten, und wir müssen entscheiden, ob wir z. B. 3, 30 oder 100 Proben nehmen.
3 Stichproben sind höchstwahrscheinlich nicht repräsentativ für einen Spritzgießprozess, bei dem Temperaturen, Drücke, Geschwindigkeiten usw. über den gesamten Bereich variieren, und auch eine Normalverteilung lässt sich mit 3 Stichproben nicht nachweisen.
Um die obige Frage zu beantworten: Auch hier kommt es darauf an – bewerten Sie das Risiko von Faktoren, die den Prozess beeinflussen, setzen Sie den Mittelwert und die Standardabweichung mit den Spezifikationen in Beziehung und rechnen Sie nach! Es könnte schwierig sein, zu zeigen, dass die Daten normalverteilt sind.
Konfidenzaussage
Das Konfidenzniveau (C) und das Wahrscheinlichkeitsniveau (P) ermöglichen Konfidenzaussagen wie "Mit C% Konfidenz entsprechen mehr als P% der Einheiten den Anforderungen".
Was ist der Unterschied zwischen attributiven und variablen Daten?
Die Unterscheidung zwischen attributiven und variablen Daten ist wesentlich, aber auch recht einfach.
Attributive Daten: Go/No-Go, Pass/Fail, gut/schlecht; das Ergebnis ist qualitativ
Variable Daten: kontinuierliche Werte wie 1,78N, 2,45mm, 1,09bar; das Ergebnis ist quantitativ
Während mit variablen Daten weniger Proben geprüft werden können, sind Attributdaten leicht zu dokumentieren und schnell auszuwerten.
Autor: Simon Föger
Sind Sie besorgt über die gestiegenen Anforderungen durch die MDR (Medical Device Regulation; 2017/745) und liegen bereits hinter dem Zeitplan?
Kontaktieren Sie uns noch heute unter office@sifo-medical.com – wir nehmen Ihnen die Last von den Schultern und unterstützen Sie dabei, Ihre Lieferkette konform zu machen.
Referenzen
[1] Taylor, Wayne (2017). Statistical Procedures for the Medical Device Industry. Taylor Enterprises, Inc., www.variation.com
[2] ISO 13485:2016 Medical devices — Quality management systems — Requirements for regulatory purposes
[3] ISO 11607-1:2019 Packaging for terminally sterilized medical devices — Part 1: Requirements for materials, sterile barrier systems and packaging systems
[4] TITLE 21 CFR820.250
[5] ISO 16269-6 Statistical interpretation of data — Part 6: Determination of statistical tolerance intervals
[6] ISO 14971:2019 Medical devices — Application of risk management to medical device