Kliniska stabilitetsstudier En utvärdering av statistiska metoder för longitudinella stabilitetsstudier

Abstract

Mölnlycke Health Care (MHC) utvecklar och tillverkar produkter inom sårvård och kirurgi. För att säkerställa hållbarheten av sina produkter genomför MHC kliniska stabilitetsstudier. Stabilitetsstudierna utförs med stickprov från ett antal olika produktionsbatcher som sedan testas, med avseende på hållbarhet, över en bestämd tidsperiod. Stabilitetsstudierna analyseras med linjära regressionsmodeller, både med och utan slumpeffekter. Modellerna innehåller parametrarna tid och produktionsbatch, där produktionsbatch kan betraktas som antingen en slumpmässig parameter eller icke slumpmässig parameter. Från analysen tar man fram ett värde på process-prestationsindex (Ppk), för att avgöra om processen, det vill säga hållbarheten av produkten, är godkänd. Syftet med arbetet är att undersöka och utveckla statistiska metoder för analys av kliniska stabilitetsstudier med longitudinella data. Vi har särskilt inriktat oss på att utveckla en metod för beräkning av Ppk med longitudinella data samt undersökt effekterna, i form av förändring i Ppk, av att introducera en interaktionsterm mellan tid och batch i MHC:s modeller. Vi har dessutom undersökt hur robusta modellerna är i relation till variationen i datan. Vi har analyserat 13 stabilitetsstudier ifrån MHC. För att vidare analysera effekten av att introducera en interaktionsterm mellan tid och produktionsbatch har vi använt oss av simuleringar. Resultatet av vårt arbete visar att förändringen i Ppk på genomförda stabilitetsstudier, vid en analys som tar hänsyn till interaktionen mellan tid och batch, jämfört med en enklare analys utan interaktion, är mycket liten. Dessutom visar våra resultat att ökad variation i datan leder till lägre Ppk-skattningar samt högre p-värden för signifikansen med avseende på tid. Vidare är det svårt att hitta en signifikant interaktion mellan tid och batch vid analys av MHC:s stabilitetsstudier. Detta kan bero på att studierna endast innehåller ett fåtal batcher och observationer per batch. För att på ett effektivt sätt kunna identifiera en interaktion så krävs det fler batcher och observationer. Våra simuleringar visar, att sannolikheten att hitta en interaktion mellan tid och batch ökar, ju fler batcher och observationer per batch man har. Simuleringarna visar också, att felaktig inklusion av en interaktionsterm, när en interaktion inte existerar, påverkar Ppk i mindre utsträckning, än om vi felaktigt bortser från en interaktionsterm när det existerar en interaktion.