Professional Documents
Culture Documents
CAPITULO 20 DATOS MICROBIOLOGICOS Es
CAPITULO 20 DATOS MICROBIOLOGICOS Es
Datos microbiológicos
20
20.1 Introducción
La recogida de datos es una parte importante de la microbiología. Cada método de
laboratorio genera datos de una forma u otra. En general, estos datos son cualitativos
(como el resultado "correcto" o "incorrecto" de la prueba de esterilidad) o
cuantitativos (como un número obtenido en una prueba de carga biológica). En este
capítulo se examinan algunos aspectos de la captura y el análisis de datos. En total,
se trata de áreas muy amplias, y el propósito del capítulo es simplemente destacar
algunos de los puntos esenciales y proporcionar una comprensión de base de lo que
es la microbiología y cómo podría manejarse. Dado que el establecimiento de límites
es doblemente importante, el capítulo explica cómo podrían establecerse los límites
de las pruebas microbiológicas, basándose en una consideración de los datos
históricos.
La tendencia es aplicable a la mayoría de los análisis microbiológicos. Los datos
brutos de vigilancia tienen poco valor por sí mismos, y los recuentos individuales
elevados no suelen ser significativos. Así pues, es necesario analizar y presentar
adecuadamente conjuntos voluminosos de resultados para ofrecer tendencias y un
enfoque adecuado; por ejemplo, con la vigilancia ambiental de salas blancas.
La notificación de los datos y las tendencias ofrecen la oportunidad de revisar y
modificar la eficacia del control microbiológico y la idoneidad del programa de
vigilancia. Cuando se demuestra un buen control, puede haber oportunidades para
reducir el nivel de vigilancia, reduciendo así los costes sin comprometer el producto
ni al paciente.
A menudo, los datos microbiológicos contienen muchos puntos de datos nulos, lo
que puede plantear problemas en el análisis estadístico de los datos. Es importante
seleccionar herramientas de análisis adecuadas que no lleven a enmascarar sucesos o
tendencias significativos.
Sea cual sea la forma en que se lleve a cabo el análisis de los datos, un equipo
interfuncional deberá generar y revisar informes resumidos periódicos. A la hora de
presentar los datos, se recomienda una combinación de formatos gráficos y tabulados
que ofrezcan una representación visual con un texto resumido de apoyo claro.
Se distingue entre el recuento total de células (que cuenta todas las células, vivas o
no) y el recuento viable (que cuenta los organismos capaces de reproducirse).
El recuento total de células incluye el examen microscópico directo, la medición
de la turbidez de una suspensión (utilizando un nefelómetro o espectrofotómetro), y
la determinación del peso de un cultivo seco (evaluación de la biomasa), mediciones
de trifosfato de adenosina (ATP) (normalmente utilizando la enzima luciferasa que
produce luz en la hidrólisis de ATP), mediante tinción fluorescente, o impedancia
eléctrica. Las técnicas de recuento de viables incluyen la placa de dispersión, la placa
de vertido (a través de la siembra directa o una aplicación como la técnica Miles-
Mistra), la siembra en espiral y la filtración por membrana. Estos métodos se
presentaron en los capítulos 1 y 7. A los clásicos pueden añadirse los métodos
microbiológicos rápidos, que a menudo producen más datos al poder abordar la
cuestión de la "incultivabilidad" (véase el Capítulo 17).
20.3 Muestreo
El objetivo de tomar una muestra es que la muestra tomada sea representativa de la
población y que, examinando o probando la muestra, se pueda inferir algo
significativo sobre la población. Una muestra es, por tanto, un subconjunto de una
población seleccionado mediante un proceso. El tamaño de la muestra es el número
de elementos (muestras) incluidos. Para un sistema de agua o una muestra de aire, la
muestra es una proporción del total recogido en un momento dado.
En cuanto al número de muestras tomadas (el diseño de la muestra), la muestra
debe ser representativa. Si la muestra no es representativa o si la toma de muestras
no es la prevista, se dice que se ha producido un error de muestreo (aunque en la
práctica es muy difícil saber si se ha producido un error de muestreo) [1].
Que la muestra sea representativa significa que debe tener un volumen suficiente
(por ejemplo, 200 ml de agua de calidad farmacéutica) o que debe tomarse un
número adecuado de muestras para obtener un resultado representativo (por ejemplo,
determinar cuántas muestras de un número determinado de envases de una materia
prima darán un resultado representativo). Existen diferentes herramientas estadísticas
que pueden utilizarse con este fin, siendo la más sencilla la raíz cuadrada del número
de envases).
La razón, basándonos en el ejemplo anterior del agua, es que el tamaño de la
muestra es importante, ya que está relacionado con la distribución de los
microorganismos. La distribución, como principio general, se analiza a continuación.
En relación con el muestreo, si el agua contiene 1.000 bacterias por litro, esto no
significa que cada mililitro contenga una bacteria. Sin embargo, si se toma una
muestra de 500 ml, la probabilidad de capturar 50 bacterias es mucho mayor que la
probabilidad de capturar una bacteria en una muestra de 1 ml. En este caso, es más
útil considerar el volumen necesario para poder obtener una estimación razonable de
la población microbiana.
Por ejemplo, supongamos que deseamos estimar la población microbiana en 1 L
de muestra. Podríamos analizar el litro entero. Esto llevaría mucho tiempo y sería
caro, y si el litro tuviera valor, la muestra perdería su valor.
Datos 259
microbiológicos
4.5
4
3.5
3
Frecuenci
2.5
2
a
1.5
1
0.5
0
Papelera
Figura 20.1 Un histograma estándar, como podría ser típico de los datos biológicos.
de los resultados son cero o recuentos bajos, con muy pocos resultados que registren
recuentos más altos. Así, un gráfico de datos muestra una cola larga y fina hacia la
izquierda del gráfico [3].
Con la distribución de Poisson, la frecuencia de recuento de "sucesos" a lo largo
del "tiempo" es más aleatoria (como en la figura 20.2). Así, los fenómenos de la
distribución de Poisson explican sucesos en los que una muestra puede superar un nivel
de intervención un día, estar por debajo durante otros 2 días y volver a superarlo. Esta
situación no indica que la contaminación aparezca y desaparezca, ni que una muestra
haya dado el resultado correcto y la otra uno no representativo, simplemente refleja
una distribución en el tiempo y el espacio.
S1 S2 S3 S4 S5
Dónde
salida de agua.
Datos 263
microbiológicos
Al margen de los parámetros estadísticos, hay que tener en cuenta que los datos
biológicos son variados, y existen razones ajenas a los propios datos numéricos que
explican por qué los datos microbiológicos son especialmente variados [4]. Las
variaciones pueden deberse a varios factores, entre ellos:
●
los métodos de control (que suelen ser intrínsecamente variables);
●
medios de cultivo, donde pueden surgir variaciones entre los distintos tipos de medios
(como medios de uso general o medios específicos para hongos), si los medios contienen
algún aditivo, como neutralizador desinfectante, y entre fabricantes;
●
tiempos de incubación;
●
temperaturas de incubación;
●
procedimientos de muestreo;
●
tamaño o volumen de la muestra;
●
diferentes ubicaciones de las muestras;
●
diferentes tiempos de muestreo;
●
frecuencia de control o muestreo;
●
las personas que realizan el muestreo;
●
criterios de aceptación (como los medios para establecer los niveles de alerta y actuación).
La imprecisión de la técnica de muestreo también puede agravar estos efectos.
Este hecho explica por sí solo por qué siempre debe tomarse un número razonable de
muestras repetidas en respuesta a un evento fuera de los límites. Tales distribuciones
también pueden aumentar el grado de error estándar obtenido del recuento en placa.
se basa en la distribución normal sigue siendo el enfoque más preciso. Por lo tanto,
corresponde al usuario demostrar en primer lugar si existe una distribución normal y,
a continuación, si es posible, transformar los datos para aproximarlos a la
distribución normal. Sólo cuando esto no sea posible deberán utilizarse métodos
alternativos.
La distribución normal es la base de los métodos estadísticos más comunes. Esto
se debe a que [5]:
(a) Muchas poblaciones naturales tienen una distribución normal;
(b) las medias de grandes muestras aleatorias de poblaciones suelen distribuirse normalmente;
(c) Muchas poblaciones pueden aproximarse a la distribución normal mediante la
transformación de datos (véase más adelante).
La distribución normal puede evaluarse visualmente mediante un histograma, un
gráfico de manchas o un diagrama de probabilidad normal (donde el diagrama
resultante debe situarse aproximadamente a lo largo de una línea recta).
Sin embargo, surge un problema porque los datos microbiológicos rara vez son
binomiales. Binomial se refiere a la probabilidad de que ocurra un suceso en el que
el suceso tiene la misma probabilidad de ocurrir en cada ocasión, como, por ejemplo,
que una persona sea hombre o mujer [6]. Por el contrario, los microorganismos de
una muestra siguen la distribución de Poisson y los recuentos microbianos de una
prueba tienden a seguir una distribución sesgada, como se ha comentado
anteriormente. Por lo tanto, los microbiólogos a menudo tienen que considerar la
transformación de los datos como paso previo a la ejecución de gráficos de control.
yi = f ( zi )
(d) para datos de recuento elevado (en los que la mayoría de los recuentos son superiores a
10). La recomendación es tomar un logaritmo en base 10. Las escalas logarítmicas son
preferibles para grandes variaciones en los recuentos. Esto se debe a que, al tomar el
logaritmo de los números, se reduce el aumento del recuento. Los logaritmos de base 10
se utilizan simplemente porque son más fáciles de entender.
En la Figura 20.3 se presentan algunos datos de carga biológica. Hay tres recuentos
de valores muy altos (>1000) frente a un conjunto de datos en el que el recuento
medio es de 10.
En la Figura 20.4 se ha utilizado el mismo conjunto de datos. Esta vez los datos se
han con- vertido a log10. Los datos son más fáciles de seguir.
Tomar los logaritmos de los números también hace que las características de los
datos se ajusten mejor y supera los problemas asociados a la distribución no normal.
Para evaluar si se ha alcanzado la normalidad, un enfoque gráfico suele ser más
informativo que una prueba estadística formal. Por ejemplo, se suele utilizar un
gráfico de cuantiles normales para evaluar el ajuste de un conjunto de datos a una
población normal. Como alternativa, también se han propuesto reglas empíricas
basadas en la asimetría y la curtosis de la muestra, como tener la asimetría en el
rango de -0,8 a 0,8 y la curtosis en el rango de -3,0 a 3,0. Sandle [7] ofrece una
explicación más detallada.
Los principios en los que se basa el cálculo de los niveles de alerta y actuación son
los siguientes:
●
se calculan a partir de un análisis histórico de datos. El usuario deberá definir la cantidad
de datos históricos que se utilizarán. Puede basarse en el tiempo o en un número mínimo
de muestras. Para que los datos sean significativos, es necesario un número
razonablemente mayor de observaciones para que el conjunto de datos sea representativo.
Así, se recomienda que cualquier análisis sea, como mínimo, de 1 año o 100 resultados;
●
debe utilizar algún tipo de técnica estadística. Las técnicas estadísticas suelen dividirse en
paramétricas y no paramétricas. La diferencia es que las paramétricas se refieren a un
procedimiento que se propone probar una hipótesis sobre un parámetro dentro de una
población descrita por una determinada forma de distribución, que suele ser la distribución
normal. Por lo tanto, los métodos paramétricos sólo se aplican realmente a conjuntos de
datos que se distribuyen normalmente. Un ejemplo de técnica paramétrica es la prueba t de
Student;
●
Son habituales tres técnicas estadísticas para evaluar los niveles de vigilancia: el corte
percentil, la distribución normal y los enfoques de distribución exponencial negativa.
= PERCENTILO (array, p)
No hay que olvidar que, al fijar los niveles de vigilancia, se parte de la premisa de
que el 95% y el 99% de los datos se sitúan dentro de ellos y que el 5% y el 1% de los
datos se sitúan fuera de ellos. Por lo tanto, cabe esperar desviaciones ocasionales de
estos niveles en los datos recogidos y las tendencias del año siguiente, y siempre se
esperarán algunas desviaciones del nivel de acción si el conjunto de datos utilizado
para los cálculos es realmente representativo.
Cabe señalar que varios profesionales cuestionan la pertinencia de disponer de un
límite de alerta, especialmente cuando se aplica a la fabricación no estéril. En
muchos casos, si se produce una desviación, normalmente se pasa de un "nivel
normal" a la acción sin que aumente la tendencia al nivel de alerta.
20.8 Conclusión
En este capítulo se han examinado las variables asociadas a los datos
microbiológicos y se ha explicado cómo estos datos presentan una distribución
sesgada y no se prestan a un análisis estadístico sencillo. Conocer esta variación es
esencial para interpretar los datos relativos a los recuentos microbianos. También es
necesario para elaborar gráficos de control. Existen tres enfoques generales para los
gráficos de control: histogramas, gráficos de sumas acumuladas y gráficos de
Shewhart [10].
El capítulo ha tomado este concepto de distribución y lo ha aplicado a la
tendencia de los datos y a la asignación de límites microbianos (cuando no existen
límites compendiales o reglamentarios). La tendencia de los datos es necesaria para
la interpretación del recuento microbiano porque los resultados individuales del
276 Microbiología farmacéutica
Referencias
[1] Cochran WG. Sampling techniques. 3ª ed. Nueva York: John Wiley & Sons; 1977.
[2] Cundell AM. Microbial testing in support of aseptic processing. Pharm Technol
2004;58:56-64.
[3] Wilson J. Vigilancia medioambiental: conceptos y aplicaciones erróneos. PDA J Pharm
Sci Technol 2001;55(3):185-90.
[4] Richter S. Product contamination control, a practical approach bioburden t e s t i n g . J
Validation Technol 1999;5:333-6.
[5] Stephens MA. EDF statistics for goodness of fit and some comparisons. J Am Stat
Assoc 1974;69:730-7.
[6] Sokal RR, Rohlf FJ. Biometry: the principles and practice of statistics in biological re-
search. New York: W.H. Freeman and Co.; 1995. p. 411-22.
[7] Sandle T. An approach for the reporting of microbiological results from water systems.
PDA J Pharm Sci Technol 2004;58(4):231-7.
[8] Tang S. Microbial limits reviewed: the basis for unique Australian regulatory
requirements for microbial quality of non-sterile pharmaceuticals. PDA J Pharm Sci
Technol 1998;52(3):100-9.
[9] Ackers J, Agallaco J. Vigilancia medioambiental: mitos y aplicaciones erróneas. PDA J
Pharm Sci Technol 2001;55(3):176-84.
[10] Klein M. Dos alternativas al gráfico de Shewhart. J Qual Technol 2000;32(4):427-31.