See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/295766691

Statistical analysis of stability data: Determination of shelf-life of

pharmaceutical products

Article · January 2001

CITATIONS READS

0 3,003

2 authors, including:

Simona Bohanec
Lek Pharmaceuticals
23 PUBLICATIONS   199 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

PhD work View project

All content following this page was uploaded by Simona Bohanec on 23 April 2020.

The user has requested enhancement of the downloaded file.

Statistična analiza stabilnostnih podatkov:
Določitev roka uporabnosti farmacevtskim izdelkom
Statistical Analysis of Stability Data:
Determination of Shelf-life of Pharmaceutical Products
Simona Bohanec, Alenka Kanalec

POVZETEK: V prispevku je prikazana statistična obdelava stabilnostnih podatkov za

določitev roka uporabnosti farmacevtskim oblikam ali učinkovinam pri izbranem pogoju
shranjevanja. Podatke tekoče stabilnosti treh različnih vzorcev (proizvodnih serij) smo
obdelali s pomočjo linearne regresije. Primerjali smo naklone in odseke premic ter
izbrali premico, ki najbolje opisuje časovni potek vrednosti stabilnostnega parametra.
Na osnovi intervala zaupanja izbrane regresijske premice smo določili rok uporabnosti.
Ključne besede: stabilnost zdravil, statistična analiza, linearna regresija, rok
uporabnosti, F-test

ABSTRACT: The article presents some statistical evaluation of stability data in order to
determine the shelf-life of pharmaceutical products and substances. The long-term
stability data of three different production batches of the same product are evaluated
by linear regression analysis. The method for the comparison of slopes and intercepts
of linear regression models is given and described. The shelf-life is determined on the
basis of confidence interval of selected linear model.
Key words: drug stability, statistical analysis, linear regression, shelf-life, F-test

KAZALO

1 Uvod
2 Linearna regresija
3 Primerjava regresijskih premic
3.1 Vrste variabilnosti
3.2 Primerjava premic
3.2.1 Primerjava naklonov
3.2.2 Primerjava odsekov
3.2.3 Možni rezultati primerjave
4 Primeri uporabe
5 Razprava
6 Zaključki
7 Literatura

dr. Simona Bohanec, univ.dipl. ing. kem. Simona Bohanec, Ph.D.

Alenka Kanalec, mag. farm. Alenka Kanalec, B.Sc.(Pharm.)
Lek d.d., Razvoj in raziskave, Lek d.d., Research & Development,
Celovška 135, Ljubljana, Slovenija Celovška 135, Ljubljana, Slovenia;
1 Uvod

Osnovni namen testiranja stabilnosti je določitev roka uporabnosti različnim

farmacevtskim oblikam in učinkovinam pri izbranem (priporočenem) pogoju
shranjevanja (1). Temperaturno neobčutljive (stabilne) farmacevtske oblike
shranjujemo pri temperaturi do 25 C, občutljive farmacevtske oblike in večino
učinkovin pa v hladilniku pri temperaturi od 2 do 8 C.
Rok uporabnosti določimo tako, da vzorce hranimo na izbranem pogoju
in jih analiziramo v določenih časovnih intervalih. Rok uporabnosti je tisti čas
hranjenja vzorca, ko vzorec še ustreza specifikacijskim zahtevam. V novejših
regulatornih zahtevah pa se uveljavlja nov pristop določanja roka uporabnosti
na osnovi statistično obdelanih in ovrednotenih stabilnostnih rezultatov (2-4).
Statistična analiza vključuje linearno regresijo, primerjavo več regresijskih
premic in izračun intervala zaupanja za izbrano ali skupno regresijsko premico.
Rok uporabnosti določimo na osnovi intervala zaupanja regresijske premice in
specifikacijske meje.
Število proizvodnih serij, ki jih je potrebno testirati, pogoji shranjevanja
teh serij in tudi časovni intervali analiz so priporočeni oziroma predpisani v
regulatornih navodilih za testiranje stabilnosti farmacevtskih oblik (2-4).
Običajno testiramo tri proizvodne serije. Iz rezultatov stabilnosti teh serij lahko
poleg roka uporabnosti določimo tudi homogenost serij glede na njihovo
stabilnost (kvaliteto) oziroma variabilnost med posameznimi serijami.
Vzorce analiziramo v prvem letu v trimesečnih intervalih, v drugem letu v
šestmesečnih intervalih, kasneje pa enkrat letno, in sicer analiziramo vzorce po
0, 3, 6, 9, 12, 18 in 24 mesecih shranjevanja za potrditev predvidenega roka
uporabnosti, po 36, 48, ... mesecih shranjevanja pa za podaljšanje roka
uporabnosti.
Na osnovi rezultatov posameznih kritičnih parametrov, to je parametrov,
katerih vrednosti se s časom hranjenja spreminjajo, določimo rok uporabnosti
(5-7). Najbolj kritična parametra sta vsebnost učinkovine, ki pri nestabilnih
farmacevtskih oblikah pada, in delež sorodnih snovi in razkrojnih produktov, ki
pri nestabilnih farmacevtskih oblikah narašča.
Z metodo najmanjših kvadratov poiščemo zvezo med vrednostjo
kritičnega parametra in časom hranjenja. Zvezo zapišemo v obliki linearne
enačbe (enačbe premice). Postopek prilagajanja eksperimentalnih podatkov
matematičnemu modelu, ki je v našem primeru premica, imenujemo linearna
regresija (5-9). Premici določimo tudi zgornji in spodnji interval zaupanja. Čas,
pri katerem eden od intervalov zaupanja doseže specifikacijsko mejo kritičnega
parametra, je rok uporabnosti. Pri parametrih, katerih vrednosti s časom
padajo, uporabimo za določitev roka uporabnosti spodnji interval zaupanja, pri
parametrih, katerih vrednosti s časom naraščajo, pa zgornji interval zaupanja.
Na sliki 1 so prikazani rezultati vsebnosti vzorcev, ki so bili analizirani po
0, 3, 6, 9, 12 in 18 mesecih hranjenja pri 25 C in 60 % relativni vlagi. Na
abscisi (osi x) grafa je čas v mesecih, na ordinati (osi y) pa vsebnost učinkovine
v odstotkih. Vzorci so nestabilni, saj vsebnost učinkovine s časom pada. Poleg
eksperimentalnih točk je na grafu narisana tudi regresijska premica ter njen
spodnji in zgornji interval zaupanja. Spodnji interval zaupanja doseže
specifikacijsko mejo 90 % po približno 16 mesecih, kolikor bi bil rok uporabnosti
za izdelek, določen na osnovi stabilnostnih podatkov ene proizvodne serije.

102

100

zgornji interval zaupanja

98
vsebnost [%]

96

94

92

spodnji interval zaupanja

90
0 6 12 18 24
čas [mes] rok uporabnosti

Slika 1. Rezultati vsebnosti (v %) vzorcev s tekoče stabilnosti.

Figure 1. Assay results (in %) of long-term stability.

Postopek določanja roka uporabnosti na osnovi treh serij, ki se v

zadnjem času vedno več uporablja, je bolj zapleten in zahteva dodatno
statistično analizo podatkov. Statistična analiza vključuje primerjavo naklonov in
odsekov vseh regresijskih premic ter, če so premice primerljive, tudi določitev
skupne regresijske premice, na osnovi katere se določi rok uporabnosti.
V nadaljevanju bodo najprej opisani postopki za izračun regresijske
premice in njenih intervalov zaupanja. Sledilo bo poglavje o primerjavi naklonov
in odsekov več premic. V nadaljevanju bodo predstavljeni različni primeri.
Komentarji bodo dodani v diskusiji.
Za vse predstavitve podatkov in izračune smo uporabili vnaprej
pripravljene predloge v EXCELu.

2 Linearna regresija

Linearna regresija je postopek prilagajanja matematičnega modela

eksperimentalnim podatkom (5-9). Rezultate tekoče stabilnosti najpogosteje
modeliramo s premico, saj je zveza med časom hranjenja in vrednostjo
parametra običajno linearna. Enačba premice je:

y  ax b (1)
kjer je spremenljivka y vrednost parametra, s katerim spremljamo stabilnost
izdelka, spremenljivka x je čas hranjenja, a je naklon premice in b odsek
premice na ordinatni osi. Vrednosti spremenljivk x in y v posameznih točkah
označimo z indeksom i in sicer xi in yi.
Za izračun odseka in naklona premice ter kasnejšo dodatno statistično
obdelavo podatkov moramo najprej izračunati nekaj osnovnih količin, ki so
merilo za raztros (variabilnost) podatkov. Te količine so vsote kvadratov razlik
(oznaka SS; Sum of Squares) za spremenljivki x in y ter za mešani produkt xy
obeh spremenljivk:

n
SS xx   x i  x 
2
(2)
i 1

n
SS yy   y i  y 
2
(3)
i 1

n
SS xy   x i  x   y i  y  (4)
i 1

kjer sta x in y povprečni vrednosti obeh spremenljivk, n pa število

eksperimentalnih točk.
Na splošno velja, da dobimo varianco, v primeru mešanega produkta pa
kovarianco, če vsoto kvadratov razlik delimo s številom prostostnih stopenj, ki je
n - 1. Koren variance oz. kovariance je standardni odmik, ki je ena od osnovnih
in velikokrat uporabljenih statističnih količin.
Naklon in odsek premice izračunamo s pomočjo enačb:
SS xy
a (5)
SS xx

b  y ax (6)

Ko imamo določena oba parametra premice, lahko izračunamo vrednosti

spremenljivke y pri poljubnih vrednostih spremenljivke x:

y i  a  xi  b (7)

kjer je y i izračunana vrednost spremenljivke y pri xi vrednosti spremenljivke x.
Eno od meril ustreznosti modela (premice) je vsota kvadratov razlik med

dejansko yi in izračunano y i vrednostjo (oznaka SS):

2
 2 SS xy
SS   y i  y i  ali SS  SS yy  (8)
i SS xx
Če vsoto kvadratov razlik SS delimo s številom prostostnih stopenj, ki je v
primeru premice enako n – 2, dobimo varianco (oznaka var). Koren variance je
standardni odmik (oznaka s) eksperimentalnih točk od točk, napovedanih z
modelom.
Formula za izračun 95 % enostranskega intervala zaupanja regresijske
premice v posameznih točkah i je naslednja:

1 ( x i  x )2
yi  t s   (9)
n SS xx

kjer je t tabelarična t-vrednost Studentove porazdelitve pri 0.05 nivoju

signifikantnosti (ali 95 % zanesljivosti) za enostranski test in pri n - 2 prostostni
stopnji, s standardni odmik in n število eksperimentalnih točk (5).
Na podoben način lahko določimo tudi interval zaupanja za časovno
spremenljivko x pri izbrani vrednosti spremenljivke y. Ta izbrana vrednost je
običajno 90 % vsebnost učinkovine ali s specifikacijo določen mejni delež
sorodnih snovi in razkrojnih produktov. Formula je naslednja:

t  s (1  g ) ( x 90  x )2
( x 90  g  x )   
b n SS xx
(10)
1 g

t 2 s2
pri čemer je g (11)
b 2  SS xx

Interval zaupanja je odvisen od:

 kvalitete modela (kako dobro se model prilagaja eksperimentalnim točkam).
Parameter, v katerem se odraža kvaliteta modela, je standardni odmik s;
 števila eksperimentalnih točk n ali v primeru stabilnostne študije od
terminov testiranja;
 območja časovne spremenljivke x, ki je zajeto v vsoti kvadratov razlik SSxx
(enačba (2));
 oddaljenosti točke od povprečne vrednosti spremenljivke x. Pri stabilnostnih
podatkih so v začetku študije časovni intervali krajši, kasneje pa daljši, kar
povzroči širjenje intervala zaupanja pri kasnejših analizah. Zanesljivost
napovedi je najboljša v sredini premice in slabša na obeh skrajnih koncih
premice, kar je posledica razlike med vrednostmi spremenljivke x v
posameznih točkah in povprečno vrednostjo te spremenljivke (slika 1).

Interval zaupanja je ožji, če je model dober, imamo veliko eksperimentalnih

točk, široko časovno območje in smo blizu sredine premice.
3 Primerjava regresijskih premic

Za določitev roka uporabnosti običajno testiramo tri proizvodne serije istega

farmacevtskega izdelka. Na osnovi dobljenih podatkov določimo rok
uporabnosti. Pred določitvijo roka uporabnosti moramo izbrati tiste parametre,
ki se s časom spreminjajo. Te z linearno regresijo statistično obdelamo. Za
vsako serijo in za vsak parameter dobimo svojo regresijsko premico. Premice
vseh testiranih serij, ki opisujejo obnašanje nekega izbranega stabilnostnega
parametra, primerjamo tako, da najprej primerjamo njihove naklone, potem pa
še odseke. Če ugotovimo, da so premice vseh treh serij primerljive, lahko
podatke vseh serij združimo. Prednost združene premice pred posameznimi
premicami je v ožjem intervalu zaupanja zaradi večjega števila eksprimentalnih
točk n in posledično nižje t-vrednosti. Ožji interval zaupanja pa pomeni daljši rok
uporabnosti.
Primerljivost premic kaže tudi na homogenost izdelka oziroma
ponovljivost proizvodnega procesa.

3.1 Vrste variabilnosti

Vzroki variabilnosti podatkov so različni. Merilo za variabilnost je vsota

kvadratov razlik SS. Skupna variabilnost SSskupna je variabilnost vseh točk okoli
skupne premice in je vsota variabilnosti zaradi regresije SSreg (prilagajanja
posameznih premic eksperimentalnim podatkom), zaradi naklonov SSa in
zaradi odsekov SSb posameznih premic:

SSskupna  SSreg  SSa  SSb (12)

Posamezne variabilnosti izračunamo na naslednje načine:

a) Skupna variabilnost je variabilnost vseh eksperimentalnih točk okoli skupne

premice (enačba (8)).

b) Variabilnost zaradi prilagajanja modelov eksperimentalnim podatkom

posameznih serij je vsota variabilnosti eksperimentalnih točk okoli
posameznih premic:

k
SSreg  SS A  SSB  SSC   SS j (13)
j 1

kjer je k število proizvodnih serij oziroma število regresijskih premic.

Podobno kot prej določimo iz vsote kvadratov razlik s pomočjo prostostnih

stopenj (oznaka dfreg; N – 2  k; N je število vseh eksperimentalnih točk vseh
treh premic) še varianco:
 SSreg
varreg  (14)
N  2k

c) Variabilnost zaradi naklonov določimo posredno iz vsote variabilnosti zaradi

regresije in zaradi naklonov tako, da seštejemo prej izračunane vsote
kvadratov razlik SSxx, SSxy in SSyy (enačbe (2)-(4)) po posameznih serijah in
dobimo:
k
SS XX  SS xxA  SS xxB  SS xxC   SS xx j (15)
j 1

k
SS XY  SS xyA  SS xyB  SS xyC   SS xy j (16)
j 1

k
SSYY  SS yyA  SS yyB  SSyyC   SSyy j (17)
j 1

Varianco kot posledico variabilnosti zaradi regresije in zaradi naklonov

izračunamo s pomočjo enačbe:

2
SS XY
SSYY 
SSreg  SSa SS XX
varrega   (18)
dfreg  dfa N  k 1

d) Varianco, ki je posledica variabilnosti naklonov SSa, določimo iz razlike

vsote variabilnosti zaradi regresije in naklonov (pod točko c) in variabilnost
zaradi regresije (pod točko b) ter ob upoštevanju prostostne stopnje k – 1:

SSa
vara  (19)
k 1

e) Variabilnost zaradi različnih odsekov posameznih premic izračunamo s

pomočjo enačbe:

SSb  SSskupna  SSreg  SSa (20)

in varianca, ki je posledica variabilnosti odsekov posameznih premic, je:

SSb
varb  (21)
k 1

3.2 Primerjava premic

Primerjava regresijskih premic poteka v dveh stopnjah. Najprej primerjamo

naklone, če so ti primerljivi, pa še odseke premic na ordinatni osi.
 3.2.1 Primerjava naklonov

Primerjavo naklonov (oznaka a) regresijskih premic naredimo s pomočjo

analize variance (10). Z F-testom primerjamo varianco, ki je posledica različnih
naklonov (enačba (19)), in varianco, ki je posledica regresije (enačba (14)):

vara
Fa  (22)
varreg

Če je verjetnost F-porazdelitve (oznaka p vrednost) za izračunano Fa vrednost

pri prostostnih stopnjah dfa in dfreg večja od nivoja signifikantnosti 0.25 (3,5),
potem so nakloni primerljivi, sicer pa ne. Če so nakloni statistično primerljivi, je
skupni naklon vseh premic enak naklonu:

SS XY
askupni  (23)
SS XX

Če so nakloni primerljivi, primerjamo še odseke premic na ordinatni osi.

3.2.2 Primerjava odsekov

Primerjavo odsekov (oznaka b) regresijskih premic naredimo s pomočjo analize

variance. Z F-testom primerjamo varianco, ki je posledica različnih odsekov
(enačba (21)), in varianco, ki je posledica vsote variance zaradi regresije in
variance zaradi naklonov (enačba (18)):

varb
Fb  (24)
varreg a

Če je verjetnost F-porazdelitve za izračunano Fb vrednost pri prostostnih

stopnjah dfb in (dfreg + dfa) večja od nivoja signifikantnosti 0.25, potem so odseki
primerljivi, sicer pa ne (3,5). Če so odseki statistično primerljivi, je skupni odsek
vseh premic enak odseku skupne premice.

3.2.3 Možni rezultati primerjave

Možni so trije različni rezultati primerjav in sicer:

I. Odseki in nakloni so primerljivi: rok uporabnosti določimo na osnovi skupne

regresijske premice;
II. Nakloni so primerljivi, odseki pa ne: določimo skupen naklon (enačba (23)),
odseki ostanejo različni, a prilagojeni novemu skupnemu naklonu s
pomočjo enačbe:

bprilagojen  y  askupni  x (25)

Enačbo uporabimo za vsako premico posebej.

Prilagojene premice so vzporedne. Rok uporabnosti določimo po
premici, katere interval zaupanja prvi seka specifikacijsko mejo;

III. Nakloni in odseki niso primerljivi: rok uporabnosti določimo po premici,

katere interval zaupanja prvi seka specifikacijsko mejo.

4 Primeri uporabe

Za vsakega od treh možnih rezultatov primerjav je v nadaljevanju naveden po

en primer obdelave podatkov in določitve roka uporabnosti. Vedno bo rok
uporabnosti določen na osnovi treh proizvodnih serij, označenih z oznakami A,
B in C.

I. Nakloni in odseki so primerljivi:

Stabilnostni podatki vsebnosti učinkovine (v odstotkih %) treh proizvodnih serij

A, B in C so v preglednici 1, grafični prikaz z regresijskimi premicami pa na sliki
2. Specifikacijska meja za vsebnost je 90 % glede na teoretično vsebnost.

Preglednica 1. Stabilitetni podatki (vsebnost učinkovine v %) za serije A, B in C.

Table 1. Stability data (assay of active substance in %) of three lots A, B and C.

x mesec yA % yB % yC %

0 100.5 99.9 100.1
3 98.3 98.7 98.4
6 97.1 96.8 98.1
9 93.6 94.2 95.4
12 93.3 93.8 93.8
18 91.9 92.1
24 89.1

Za vsako serijo izračunamo vse parametre, ki so bili opisani v prejšnjem

poglavju. Premica za serijo A ima naklon –0.49 in odsek na ordinatni osi 99.74
%, serija B ima naklon –0.56 in odsek 100.02 % ter serija C naklon –0.46 in
odsek 99.99 %. Primerjamo naklone in odseke. Rezultat primerjave je, da so
nakloni (Fa = 0.631, Fteor = 1.560, p = 0.549, kar je več od mejne vrednosti 0.25)
in odseki primerjivi (Fb = 1.341, Fteor = 1.533, p = 0.293, kar je več od mejne
vrednosti 0.25). Zato lahko vse tri regresijske premice združimo. Skupna
regresijska premica ima naklon –0.47 in odsek 99.75 %. Prikazana je na sliki 3.
Spodnji interval zaupanja doseže 90 % mejno vrednost vsebnosti po 19
mesecih, kar je rok uporabnosti za naš izdelek.

serija A
serija B
serija C
102

100
vsebnost [%]

98

96

94

92

90
0 6 12 18 24

čas [mes]

Slika 2. Rezultati vsebnosti (v %) treh proizvodnih seriji. Odseki in nakloni premic so primerljivi.
Figure 2. Assay results (in %) of three production lots. Slopes and intercepts are similar.

Če primerjamo premico z intervalom zaupanja za serijo A (slika 1) in

skupno regresijsko premico (slika 3), potem vidimo, da ima skupna regresijska
premica ožji interval zaupanja, ker je določen na osnovi več eksperimentalnih
točk. Posledično se zato poveča rok uporabnosti oziroma čas, ko spodnji
interval zaupanja premice doseže spodnjo specifikacijsko mejo 90 %.

102

100

98
vsebnost [%]

zgornji interval zaupanja

96

94

92

spodnji interval zaupanja

90
0 6 12 18 24
čas [mes] rok uporabnosti

Slika 3. Skupna regresijska premica za vse tri proizvodne serije (A, B in C).
Figure 3. Common regression line of three production lots (A, B and C).
II. Nakloni so primerljivi, odseki pa ne:

Če uporabimo iste podatke kot pri prvem primeru (preglednica 1), le da

vrednosti serije B povečamo za 1, pri čemer se poveča le odsek premice za
serijo B iz 100.02 % na 101.02 %, nakloni pa ostanejo nespremenjeni, nam
primerjava odsekov pokaže, da odseki niso primerjivi (Fb = 2.100, Fteor = 1.533,
p = 0.159, kar je pod mejno vrednostjo 0.25). Vsem premicam določimo skupni
naklon, odseke posameznih premic pa prilagodimo novemu skupnemu naklonu.
Dobimo tri vzporedne premice, ki so prikazane na sliki 4. Premici, ki najprej
seka abscisno os (leži najnižje od vseh treh premic), določimo tudi spodnji
interval zaupanja in rok uporabnosti, ki je v danem primeru 18 mesecev.

serija A
serija B
serija C
102

100
vsebnost [%]

98

96

94

92
spodnji interval zaupanja za serijo A
90
0 6 12 18 24
čas [mes] rok uporabnosti

Slika 4. Premice s skupnim naklonov za serije A, B in C.

Figure 4. Regression lines with common slopes of lots A, B and C.

102

100

zgornji interval zaupanja

98
vsebnost [%]

96

94

92

spodnji interval zaupanja

90
0 6 12 18 24
čas [mes] rok uporabnosti

Slika 5. Regresijska premica za serijo B.

Figure 5. Regression line of lot B.
III. Nakloni in odseki niso primerljivi:

Če nakloni in odseki premic serij A, B in C ne bi bili primerljivi, bi rok

uporabnosti določili na osnovi premice in njenega spodnjega intervala
zaupanja, ki najprej seka abscisno os. Iz slike 2 vidimo, da je to premica za
serijo B. Ta premica in njen interval zaupanja sta narisana na sliki 5. Rok
uporabnosti je 16 mesecev.

5 Razprava
Cilj vsakega proizvajalca zdravil je stabilen proizvod s primernim rokom
uporabnosti. Na stabilnost izdelka vpliva predvsem stabilnost učinkovine,
sestava (optimalna farmacevtska oblika) in ovojnina. Na določitev roka
uporabnosti pa vplivajo tudi drugi faktorji, ki postajajo z vpeljavo dodatnih
obdelav stabilnostnih podatkov vedno pomembnejši. Ti faktorji so:
 merilna negotovost analitskih metod, s katerimi spremljamo stabilnost
izdelka,
 kakovost (konstantnost) proizvodnega procesa,
 konstantnost pogojev shranjevanja izdelka tekom stabilnostne študije,
 število terminov, ki so vključeni v stabilnostno študijo,
in še mnogi drugi, ko so odvisni tudi od vrste in oblike farmacevtskega
izdelka.

Optimalno farmacevtsko obliko razvijemo v razvojni laboratorijski fazi

tako, da preverimo vse možne različne medsebojne vplive komponent, ki so
vgrajene v končni izdelek.
Stabilnost zagotovimo tudi z izborom primerne ovojnine, ki ščiti izdelek
pred zunanjimi faktorji (predvsem vlago in svetlobo). Vendar pa smo pri izboru
ovojnine velikokrat omejeni na zahteve trga. Tako na primer ameriško tržišče
zahteva predvsem plastično ovojnino, evropsko pa pretisne omote. Velikokrat ni
zanemarljiva tudi različna kvaliteta posameznih ovojninskih enot (slabo tesnenje
stekleničk, prepustnost folij pri pretisnih omotih in podobno), ki prispeva k večji
variabilnosti rezultatov.
Pogoji shranjevanja in termini analiz so predpisani v posameznih
regulatornih in ICH navodilih (International Conference of Harmonization). Ker
je širina intervala zaupanja odvisna tudi od števila terminov oziroma točk, skozi
katere poteka regresijska premica, lahko z dodatnimi termini interval zožimo,
kar pa podraži študijo in morebiti zahteva dodatna pojasnila pri regulatornih
oblasteh.
Zahteve glede konstantnosti pogojev shranjevanja med testiranjem
stabilnosti (temperatura se lahko spreminja za  2 C okoli srednje vrednosti,
vlaga pa za  5 %) so že dovolj ostre, zato je postavljanje ostrejših zahtev z
namenom, da bi zmanjšali variabilnost rezultatov, nesmiselno, saj je njihov
prispevek k variabilnosti rezultatov glede na prispevke preostalih faktorjev
zanemarljiv.
Na merilno negotovost metode lahko vplivamo v večji meri predvsem
takrat, kadar za testiranje stabilnosti uporabljamo interne (hišne) metode. V tem
primeru lahko izberemo čim bolj natančno in točno metodo. Posamezne faze
analize pa izvedemo tako, da je variabilnost metode čim manjša. Tako lahko na
primer volumetrijo zamenjamo z gravimetrijo ali pa delamo z večjimi volumni in
večjimi količinami vzorca, da zmanjšamo relativno slučajno napako. Res pa je,
da je pri večjih volumnih tudi večja poraba topil, kar podraži analizo in povzroča
večje onesnaženje okolja.
V primeru, ko uporabljamo farmakopejske metode, lahko z natančno
izvedbo analiz in sprotnim spremljanjem rezultatov ter preverjanjenm
posameznih bolj kritičnih faz analize vplivamo na natančnost rezultatov.
Na variabilnost rezultatov stabilnostnih študij vpliva v veliki meri tudi
proizvodni proces. Če je ta variabilen, tudi izdelek ni konstantne kvalitete
oziroma ni enako stabilen znotraj ene ali med različnimi proizvodnimi serijami.
Če so med serijami razlike, regresijskih premic ne moremo združiti. Posledično
ima tak izdelek krajši rok uporabnosti, ker ga določimo na osnovi najmanj
stabilne proizvodne serije.

6 Zaključki
Določitev roka uporabnosti je glede na regulatorne zahteve kompleksen
postopek, ki vključuje različne variabilnosti. Te variabilnosti so posledica vplivov
različnih faktorjev. Ob uporabi linearne regresije in primerjavi stabilnostnih
podatkov več proizvodnih serij mora biti variabilnost rezultatov v posameznih
terminih in med serijami dovolj majhna, da ne povzroči signifikantne širitve
intervala zaupanja in s tem skrajševanje roka uporabnosti ter omogoča
združevanje stabilnostnih podatkov različnih proizvodnih serij.
Daljši rok uporabnosti lahko določimo z natančnimi, kontroliranimi in
validiranimi proizvodnimi in analitskimi postopki, ki so vključeni v celoten proces
razvoja in proizvodnje določenega farmacevtskega izdelka.

7 Literatura
1. Carstensen J.T.: Drug Stability, Principles and Practices, New York: Marcel
Dekker, Inc., New York, 1995.
2. FDA Guidance for Industry: Stability Testing of Drug Substances and Drug
Products (DRAFT), June, 1998.
3. ICH Guidelines: Stability Testing of New Drug Substances and Products
(CPMP/ICH/2736/99).
4. ICH Guidelines: Stability Testing: Requirements for New Dosage Forms
(CPMP/ICH/280/95).
5. Delclos N. Pellerin F. (Chairmen) Aubert M. Bentejac R. Bullot C. Colin J.L. Gallo
A.M. Grelet P. Labbé V. Lenay G. Malfroid F. Russotto R. Vrinat H.: Guide to the
Statistical Analysis of Long-term Stability Results: Calculating Predicted Shelf-life
 and Stability Specifications, Reports of an SFSTP Commission, S.T.P Pharma
Practiques 4 (2), 91-107, 1994.
6. Armstrong N.A. James K.C.: Pharmaceutical Experimental Design and
Interpretation, London: Taylor & Francis Ltd, 1996.
7. Encyclopedia of Pharmaceutical Technology, Editors: Swarbrick J. and Boylan
J.C., Volume 14, Statistical methods (249-293), Marcel Dekker, Inc., New York,
1992.
8. Miller J.C. Miller J.N.: Statistics for Analytical Chemistry, New York: Ellis Horwood
Limited, 1993.
9. Meloun M. Militky J. Forina M.: Chemometrics for Analytical Chemistry, Volume 2:
PC-Aided Regression and Related Methods, Ellis Horwood Limited, New York,
1994.
10. Zver I. Bohanec S. Kozjek F. Uporaba ANOVE v stabilnosti zdravil, Farm Vestn
1999; 50; 35-40.

View publication stats