Kegiatan validasi, semakin kesini semakin didorong untuk tidak sekedar mengupayakan pendokumentasian atas pembuktian terhadap fasilitas, sistem, proses, dan produk telah memenuhi kriteria penerimaan kualitas produk dan keselamatan pasien, tapi juga ada semangat untuk mengupayakannya pada perspektif ilmiah dan kajian risiko dibalik pembuktian tersebut. Kita lihat dalam kalimatnya, regulasi sudah tidak lagi menggunakan terminologi 'documented evidence' tapi mulai tahun 2011, dalam banyak dokumen, regulasi lebih menekankan penggunaan kata 'scientific evidence' pada kegiatan kualifikasi dan validasi. Sesuatu yang terdengar lebih dalam.

Sebuah kajian ilmiah, selalu berbasis data dalam menganalisa suatu hal. Dan keberadaan data, bagaimana pun juga butuh suatu pendekatan ilmu untuk membuat model dan membuat gambarannya sehingga mudah untuk memahami behaviour dari data yang kita punya. Sehingga pilihannya sampai pada sebuah disiplin ilmu yang membantu kita mengolah data: Statistik! Anda bahkan bisa lihat di ICH Q9, saat kita melakukan kajian risiko terhadap suatu hal pun, kita direkomendasikan menggunakan tools-tools yang salah satunya, pada poin I.9 berbicara tentang: Supporting Statistical Tools.

Bidang keilmuan Statistik begitu dalam dan luas, lalu apakah kita perlu menjadi seorang ahli statistik untuk bisa menggunakannya dalam aplikasi di industri farmasi, khususnya urusan validasi? menurut saya tidak! Banyak praktisi industri farmasi yang sudah membuat semacam panduan mudah agar statistik yang terlihat mengerikan menjadi tampak semakin menyenangkan. Saya sendiri baru sekitar sejak tahun 2010-an mulai intens menggunakan statistik. Hal yang semula terasa gulita di kepala saya itu toh pelan-pelan disana-sini mulai terterawang. Berikut ini coba saya buatkan alur logika besarnya, khususnya dalam pemanfaatannya untuk urusan kualifikasi-validasi. Menurut saya yang penting hal itu, harus bisa menuntun kita pada analisa dan kesimpulan dari olahan data yang kita punya. Urusan pengolahan data sendiri, saat ini kita sudah tak perlu rumit memikirkan rumus dan tabel yang akan digunakan. Sudah cukup banyak program aplikasi pengolah statistik diluar sana.

Tahap pengambilan sampel. Ini adalah tahap awal yang penting. Meliputi misal berapa jumlah sampel sehingga cukup untuk mewakili populasi? Kapan? Dimana? Awalnya memang terasa begitu rumit, tapi saran saya, mulailah! Sampai dimanapun pengetahuan anda tentang teori pengambilan data. Dari hasil analisa data nanti kita akan bisa belajar untuk memperbaiki tata cara pengambilan data berikutnya.

Urusan jumlah sampel memang semakin banyak semakin baik, tapi dari sisi biaya tentunya hal ini menjadi kurang produktif. Untuk urusan validasi banyak memakai pendekatan 3 bets. Tapi pertanyaan kemudian, berapa sampel tiap bets? Pendekatannya bisa beragam, misal pendekatan geometri untuk pengambilan sampel di sebuah mixer, lapisan atas-tengah-bawah, arah mata angin untuk tiap lapisannya. Atau misal pendekatan waktu untuk mesin kontinu (misal cetak tablet), setiap 10 menit dalam memproses 1 bets ambil 10 tablet. Pada kualifikasi HVAC sudah ditetapkan misal 5 hari untuk fasilitas steril, tapi berapa interval pengambilan data? Kembali ke kita untuk menentukannya sendiri.

Tahap pengujian atau pengukuran sampel. Ini juga penting, selain sampel sendiri ada faktor alat ukur, orang yang mengukur, lokasi ukur, dan mungkin hal-hal lain yang bisa jadi memberi pengaruh pada akurasi hasil pengukuran. Sehingga kemudian didapat data hasil pengukuran sampel. Cukup data yang sudah didapat, lalu bagaimana? Yang paling sederhana biasanya kita akan menghitung rata-rata, min, max, standar deviasi. Untuk urusan documented evidence mungkin itu saja cukup, tapi bila kita sudah dituntut sampai pada scientific evidence, tidak hanya dalam rangka memenuhi kewajiban regulasi tapi juga yang paling penting adalah upaya kita untuk memahami fasilitas, sistem, proses dan produk dalam tanggung jawab kita.

Tahap Identifikasi Tipe data yang kita miliki. Ini penting karena bila kita keliru menentukan tipe data yang kita miliki maka untuk seterusnya mungkin kita akan keliru memilih model statistik yang kita pilih, kemudian keliru menghasilkan parameter-parameter yang dicari, sampai akhirnya melakukan analisa dan kesimpulan yang keliru. Ada dua definisi besar pengelompokkan tipe data, yaitu:

Attribute.  Hati-hati menggunakan istilah ini, karena istilah atribut ini adalah istilah statistik. Berbeda pengertian dengan istilah atribut di ilmu kefarmasian industri, dimana atribut adalah besaran hasil pengukuran sifat fisis, kimia ataupun biologi dari produk. Yang penting kita paham setiap mengkomunikasikan istilah ini, definisi atribut yang mana yang kita bicarakan. Atribut dalam istilah statistik adalah tipe data yang diskrit. Logika di kepala saya lebih mudah menggambarkannya dengan hal ketika kita mengambil data yang 'berbau' defect. Artinya kondisi ideal yang kita inginkan adalah nol atau keadaan maximal. tipe data atribut ini juga dibagi dua pengertian besar, yaitu:

Binary Data, yaitu data yang berisi hanya dua kemungkinan data. misal kondisi pass/fail, go/not go. Misal bila kita melakukan pengujian kualitatif pada sifat fisika air terhadap syarat Purified Water. Kandungan Chlor misalnya. Maka sebaran datanya hanya berupa pass/fail, mengandung chlor atau tidak mengandung. Pada jenis data ini, model statistik yang dipakai adalah pengolahan distribusi yang disebut Binomial (Binomial Distribution).

Discrete Data, yaitu data yang berisi bilangan bulat yang biasanya berbentuk jumlah atau hasil perhitungan yang antar data tidak saling berhubungan. Misal data microbial count dan particle count dalam pemantauan kinerja HVAC. Atau misal data jumlah reject tiap bets ketika kita melakukan Kualifikasi kinerja Mesin. Pada jenis data ini, model statistik yang dipakai adalah pengolahan distribusi yang disebut Poisson (Poisson Distribution).

ContinuousAdalah data yang didapat dari hasil pengukuran (bukan perhitungan). Angkanya bisa bulat ataupun pecahan desimal. Di aplikasi industri farmasi, tipe data ini adalah yang paling banyak ada. Misal data pengukuran kadar, data tebal tablet, data suhu ruang, data waktu hancur, dsb. Pendekatan model statistik yang umum dipakai untuk tipe data ini adalah Distribusi Normal. Tapi perlu hati-hati, bahwa data ini juga bisa terjadi Distribusi Non-Normal, jenis non-normalnya bisa macam-macam. Ada tahap pengujian distibusi data untuk mengenali apakah distribusi data itu normal (bila p-value > 0,05), bila tidak normal, maka ada tahap uji sekian banyak untuk mencari distribusi yang sesuai (yang p-value paling besar lebiih besar 0,05 dan konstanta AD - Anderson Darling-nya paling kecil).

Pengolahan Data kemudian kita lakukan berdasar pilihan tipe data yang sesuai di atas. Dengan aplikasi software pengolah statistik, pengolahan data bisa kita lakukan dengan mudah, yang terpenting kita menentukan tipe data dengan tepat. Karena kurang tepat dalam menentukan tipe data, program tetap bisa mengolah dan menghasilkan angka, hanya mungkin bisa memberi kita analisa dan kesimpulan yang kurang tepat.

Olahan data yang umum dipakai, adalah membuat Control Chart, sehingga diperoleh control-limit bagi fasilitas, sistem atau proses kita. Para praktisi umumnya menyebut control-limit dengan istilah 'voice of the process', sementara ada yang dinamakan Specification Limit, yang disebut sebagai 'voice of costumer'. Specification Limit bisa kita pakai allowable limit yang ditetapkan regulator atau operational-limit yang lebih ketat atas penetapan kita sendiri. Control limit pendekatan statistik ini juga bisa kita pakai sebagai rujukan untuk menentukan Alert-Level atau Action-Level.

Juga kita bisa mencari besaran Process Capability yang bisa kita pakai sebagai tolok ukur Kualifikasi Kinerja ataupun Validasi Proses. Bisa yang short-term (Cp dan Cpk) atau yang bersifat long-term (Pp dan Ppk). Bila kita memiliki target yang kebetulan tidak ditengah Specification Limit, kita juga perlu besaran Cpm. Semua besaran itu biasanya dinyatakan acceptable bila > 1. Bila > 1,33 dinilai sebagai stable dan capable. Adalagi besaran yang disebut Ppm (part-per million) yang juga biasa dipakai untuk mengukur probability kegagalan dari satu juta populasi.

Masih banyak yang ingin saya ceritakan untuk urusan ini, tapi sementara ini mungkin itu dulu..

 

Pitoyo Amrih

 

Ada sebuah perusahaan fiktif bernama PT MAJU. Perusahaan ini memproduksi air mineral dalam kemasan gelasplastik. Mesin yang dimiliki perusahaan ini adalah mesin pembentuk gelas plastik sekaligus mengisi air mineral, sebanyak dua unit.

Bulan ini pesanan begitu meningkat. Bagian pemasaran yang telah berhasil melakukan promosi membuat bagian produksi jungkir-balik selama dua puluh empat jam menjalankan mesinnya untuk mengejar permintaan bagian pemasaran. Dan sudah terlihat di depan mata, bulan depan pesanan bagian pemasaran naik 30 % dari bulan sekarang. Sementara bulan ini mesin telah jalan siang malam, bahkan minggu pun masuk untuk mengejar kekurangannya.

“Gila! Harus segera saya usulkan membeli satu unit mesin lagi untuk mengejar permintaan bulan depan,” teriak Pak Joni, sang kepala produksi. “Dan awal bulan depan mesin itu sudah di sini..!” imbuhnya.   ...selengkapnya

Bookmark This

Follow Us

Powered by CoalaWeb

 

KupasPitoyo, KumpulanTulisan Pitoyo Amrih, yang juga berbicara tentang Pemberdayaan Diri, ..pemberdayaan berkesinambungan bagi diri sendiri, keluarga, dan bangsa... khususnya melalui budaya... selengkapnya..

Pitoyo Amrih.... terlibat aktif dalam perumusan penerapan konsep-konsep TPM (Total Productive Maintenance) di perusahaan tempatnya bekerja. Juga pernah memimpin kajian dan penerapan rumusan OEE (Overall Equipment Effectiveness) yang bisa.....  ...selengkapnya