1 Resumen y Contexto Regulatorio

El presente informe evalúa la viabilidad estadística y el impacto en el cumplimiento normativo de reducir el tamaño de muestra para el análisis de producto terminado, pasando de un esquema estratificado de tres puntos (inicio, medio, fin) con n=3 a uno simplificado de dos puntos (inicio, fin) con n=2

Desde la perspectiva de Aseguramiento de la Calidad y en estricto apego a las Buenas Prácticas de Manufactura (BPM), el muestreo de un lote industrial debe garantizar la representatividad en todas las etapas del proceso. Diversas agencias regulatorias a nivel mundial exigen planes de muestreo científicamente sólidos:

INVIMA (Resolución 5076/2021, Artículo 57): “El muestreo de los productos terminados debe realizarse de acuerdo con un plan escrito que garantice la representatividad del lote.”
FDA (21 CFR 211.165): “The sample shall be representative of the batch under analysis.”
EMA (Guideline on Process Validation, 2016): Requiere muestras representativas y planes estadísticos justificados.
PIC/S (PE 009-17, sección 6.5): El muestreo debe reflejar la variabilidad del proceso.
WHO (TRS 992, Anexo 2): El tamaño de muestra debe justificarse estadísticamente.
ANVISA (RDC 658/2022): Similar a INVIMA, exige representatividad.
PMDA (Japanese GMP, Ministerial Ordinance No. 179): Exige planes de muestreo que detecten no conformidades.

El eje estadístico de este análisis es la reducción de los grados de libertad (gl). Al pasar de 3 a 2 muestras, los gl disminuyen de 2 a 1, es decir, una pérdida del 50% de la capacidad analítica para estimar la variabilidad. Esta pérdida:

Elimina la fiabilidad en el cálculo de estimadores de varianza.
Impide la aplicación de pruebas ANOVA para evaluar homogeneidad intra‑lote.
Invalida cualquier cálculo del índice de capacidad del proceso (Cpk).
Aumenta el riesgo del consumidor (liberación de producto no conforme), exponiendo a la compañía a potenciales retiros de mercado.

Nota: Reducir el muestreo de n=3 a n=2 es una pérdida en el sustento estadístico que vuelve el control de calidad insensible a fallos reales. Las secciones siguientes demuestran con simulaciones concretas cada uno de estos puntos.

1.1 Tabla comparativa de requisitos regulatorios

Requisitos de muestreo por agencia regulatoria
Agencia	Requisito_muestreo	Tamaño_mínimo_sugerido
INVIMA	Representativo	No específico, pero científico
FDA	Representativo, alta seguridad	No específico, pero planes estándar ≥8
EMA	Representativo, justificado	No específico, justificar
PIC/S	Reflejar variabilidad	Basado en riesgo
WHO	Justificado estadísticamente	Basado en riesgo
ANVISA	Representativo	Similar a INVIMA
PMDA	Detectar no conformidades	Planes estándar

2 Fundamentos de Muestreo en la Industria Farmacéutica

Para comprender por qué la reducción de n=3 a n=2 es crítica, es necesario repasar tres conceptos estadísticos básicos pero fundamentales: representatividad, grados de libertad y errores de muestreo.

2.1 Población, muestra y representatividad

En la industria farmacéutica, nunca analizamos la totalidad de un lote (la población). En su lugar, tomamos una muestra y, a partir de ella, inferimos la calidad del lote completo. Para que esa inferencia sea válida, la muestra debe ser representativa, es decir, debe reflejar fielmente la variabilidad real del proceso de fabricación.

Dado que los procesos de producción son dinámicos en el tiempo, un muestreo puramente aleatorio no es suficiente. Por eso utilizamos un muestreo sistemático estratificado, tomando unidades al inicio, en la mitad y al final del lote. Este diseño permite capturar la variabilidad temporal, también conocida como autocorrelación.

2.2 Grados de libertad y estimación de varianza

Los grados de libertad (gl) representan la cantidad de información independiente disponible para estimar la variabilidad. Se calculan como:

\[gl=n−1\] Donde \(n\) es el número de muestras. Al pasar de \(n=3\) a \(n=2\), los grados de libertad se reducen de 2 a 1, es decir, una pérdida del 50% de la capacidad analítica.

La desviación estándar muestral \(s\) se calcula como:

\[s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}\]

El intervalo de confianza para la desviación estándar poblacional \(\sigma\) se basa en la distribución \(\chi^2\) (chi-cuadrado):

\[ \sqrt{\frac{(n - 1)s^2}{\chi^2_{\alpha/2,\,n-1}}} \leq \sigma \leq \sqrt{\frac{(n - 1)s^2}{\chi^2_{1-\alpha/2,\,n-1}}} \]

Con \(n=2\) (\(gl=1\)), los valores críticos son \(\chi^2_{0.025,1}=0.001\) y \(\chi^2_{0.975,1}=5.024\). Esto produce intervalos de confianza extremadamente anchos: el límite superior puede ser hasta 32 veces el valor real de \(\sigma\). Con \(n=3\) (\(gl=2\)), los valores críticos son \(\chi^2_{0.025,2}=0.051\) y \(\chi^2_{0.975,2}=7.378\), dando intervalos mucho más estrechos y útiles.

En resumen: con n=2, perdemos la capacidad de estimar con precisión la variabilidad real del proceso.

2.3 Riesgos de muestreo: Error Tipo I y Tipo II

En todo plan de muestreo existen dos riesgos inherentes:

Error Tipo I (α): Riesgo del productor. Probabilidad de rechazar un lote que realmente es conforme. Se controla mediante el nivel de confianza.
Error Tipo II (β): Riesgo del consumidor. Probabilidad de aceptar un lote defectuoso. Es el más crítico para la seguridad del paciente.
Potencia (1-β): Capacidad del plan de muestreo para detectar lotes no conformes. Una potencia baja significa que muchos lotes defectuosos pasarán desapercibidos.

Para procesos críticos, estándares internacionales como ANSI/ASQ Z1.4 o ISO 2859-1 ni siquiera tabulan n=2 para atributos de severidad normal o estricta con niveles de AQL estándar, dado que carecen de potencia discriminatoria.

2.4 Tabla Comparativa Paramétrica

La siguiente tabla resume de forma cuantitativa el impacto analítico de reducir el tamaño de muestra de 3 a 2. Observe cómo la pérdida de un solo punto de muestreo ensancha exponencialmente los factores de incertidumbre.

	Comparativa de Esquemas de Muestreo
Parámetro Estadístico	Esquema Actual (n=3)	Propuesta (n=2)	Diferencia
Tamaño de Muestra (n)	3	2	-33% de muestras físicas
Grados de Libertad (df)	2	1	Pérdida del 50% (Crítico para estimación)
Factor t-Student (95% de confianza)	4.303	12.706	Aumento de ~195% en el factor de incertidumbre
Límite Sup. Varianza (Distribución Chi-Cuadrado)	39.5 × s²	1018.3 × s²	Rápido crecimiento del límite superior
Ancho del IC 95% para σ (factor multiplicativo)	[0.62σ, 2.80σ]	[0.45σ, 31.90σ]	Extremadamente más ancho e impreciso con n=2
Ancho del IC 95% para la media (σ conocido)	2.26σ	2.77σ	22% más ancho para n=2
Probabilidad de que la muestra subestime σ en >30%	~22%	~48%	Más del doble de sesgo (Falsa sensación de control)
Capacidad para detectar tendencias no lineales	Sí (Cualitativa y Cuantitativa)	No (Pérdida Total)	Incapacidad para detectar cambios en tendencia
Definiciones: La notación σ representa la desviación estándar poblacional real y s representa la desviación estándar muestral calculada.

Conclusión fundamental: Con n=2, la estimación de la variabilidad es prácticamente incierta. El intervalo de confianza para σ se extiende desde 0.45 veces el valor real hasta 32 veces el valor real. Esto invalida cualquier cálculo de capacidad de proceso o intervalo de tolerancia.

3 Análisis de la Tendencia Central

En un proceso de fabricación de medicamentos, el comportamiento no es perfectamente constante a lo largo del tiempo. Pequeñas variaciones mecánicas, cambios en la mezcla de polvos o vibraciones en la tolva pueden generar desviaciones transitorias, especialmente en la zona media del lote. Si solo tomamos muestras al inicio y al final, estamos asumiendo peligrosamente que todo lo que ocurrió en medio fue igual.

Con tres muestras (inicio, medio, fin) podemos detectar si hay una caída o un pico en la parte central. Con solo dos muestras (inicio y fin), esa caída pasa completamente desapercibida.

3.1 Simulación de un lote con anomalía central

Modelamos un lote de 10,000 tabletas con una falla mecánica central (por ejemplo, desmezclado en la tolva) que reduce la valoración del 100% al 86% entre las unidades 4000 y 6000. El límite inferior de especificación (LSL) es 90%.

Líneas y puntos verdes: corresponden a las tres muestras (inicio, medio, fin). El punto del medio está por debajo de la línea roja, activando una alerta.
Líneas y puntos naranjas: corresponden a las dos muestras (solo inicio y fin). Ambos puntos se ven normales, y la línea discontinua que los une da la falsa impresión de que todo estuvo bien.

La línea punteada roja marca el límite inferior de especificación (90%). Mientras que el esquema n=3 detecta que la tableta del medio (posición 5000) está por debajo de dicho límite, el esquema n=2 muestra únicamente dos puntos dentro de especificaciones, dando un falso positivo. En términos regulatorios, esto constituiría una violación al principio de “representatividad” exigido por la FDA en el § 211.165(e).

3.2 Gráficos de control

El Control Estadístico de Procesos se basa en la gráfica de medias para determinar si un proceso está operando dentro de su variabilidad natural, delimitada por los Límites de Control Superior (UCL) e Inferior (LCL).

Un gráfico \(\bar{x}\) efectivo debe ser sensible a las perturbaciones del proceso. Simulamos 30 lotes históricos, intercalando 3 lotes con una anomalía de potencia durante la fase media de la compresión.

Como se observa en los gráficos, un esquema de n=3 captura el impacto de la caída de potencia en los lotes anómalos (los puntos rojos se desploman y cruzan el Límite de Control Inferior, alertando al analista). Al pasar a n=2, la media del lote se calcula promediando exclusivamente el principio y el final. Esto infla artificialmente el resultado final, manteniendo el punto cómodamente dentro de los límites de control. Esto es la definición exacta de un sistema incapaz de detectar el riesgo.

Los intervalos con n=2 son mucho más anchos, lo que puede llevar a aceptar criterios de validación no robustos.

3.3 Análisis de Homogeneidad Intra-Lote (ANOVA)

Para demostrar robustez, el departamento de Calidad verifica que no existen diferencias estadísticamente significativas entre las etapas de compresión mediante un ANOVA de una vía. Al reducir el esquema a n=2, omitiendo el estrato central, alteramos severamente la sensibilidad (potencia) de esta prueba para detectar perfiles en “U”.

Con un esquema robusto, los lotes anómalos arrojan de manera consistente un P-valor <0.05, disparando una desviación. Al disminuir la densidad de muestreo, varios de estos lotes se escapan por encima de la línea roja, siendo catalogados como “homogéneos” cuando en la realidad presentan diferencias.

3.4 Impacto en la Validación de Procesos

La Validación de Procesos es el hito regulatorio donde demostramos que el diseño del proceso es capaz de producir lotes comercializables de manera reproducible. Las agencias reguladoras (FDA, INVIMA, EMA) exigen un “alto grado de seguridad” documentado mediante criterios estadísticos en al menos tres lotes consecutivos.

Para liberar un lote de validación, no basta con que el promedio de la muestra cumpla la especificación. El Intervalo de Confianza (IC) al 95% para la media debe estar completamente contenido dentro de los límites de especificación (LSL y USL). La fórmula es:

\[ IC = \bar{x} \pm t_{\alpha/2,\, n-1} \left( \frac{s}{\sqrt{n}} \right) \]

Al reducir la muestra de \(n=3\) a \(n=2\), el valor crítico de \(t\) se dispara de 4.303 a 12.706. Esto amplía drásticamente el ancho del intervalo de confianza, haciendo más probable que el intervalo se salga de las especificaciones, incluso cuando la media real está dentro.

3.4.1 Simulación con tres lotes de validación

Simulamos tres lotes de validación con características realistas (media ligeramente desplazada a 98% para mayor realismo). Calculamos los IC al 95% para cada lote usando n=3 y n=2.

4 Inestabilidad Matemática en la Capacidad del Proceso (Cpk)

La Revisión Anual de Producto requiere la demostración estadística de que nuestros procesos son capaces de mantenerse dentro de las especificaciones, lo cual medimos mediante el Índice de Capacidad del Proceso (Cpk).

La fórmula del Índice de Capacidad es:

\[ C_{pk} = \min \left( \frac{\bar{x} - LSL}{3s}, \frac{USL - \bar{x}}{3s} \right) \]

4.1 Impacto en la Variabilidad Estimada

El Índice de Capacidad y las tolerancias dependen de la desviación estándar muestral (s). Para demostrar la inestabilidad de s al calcularse con 1 solo grado de libertad, simulamos 10,000 extracciones de un proceso con σ real de 2.5.

4.2 Intervalos de confianza y tolerancia para Cpk

Ahora expandimos la simulación del Cpk para incluir intervalos de confianza del 95% y calcular intervalos de tolerancia.

Estimación de Cpk e intervalos de tolerancia
Esquema	Media_Cpk	IC_95_inf	IC_95_sup	Tol_99_inf	Tol_99_sup
n=2	7.889	0.511	36.310	-263.390	279.168
n=3	2.453	0.610	8.741	-42.306	47.212

Para evaluar la confiabilidad de este indicador bajo la propuesta de reducción, ejecutamos una Simulación de Monte Carlo. Como se observa en la gráfica resultante, al calcular la varianza muestral (\(s^2\)) dividiendo por un solo grado de libertad (\(n-1=1\)), el intervalo de confianza aumenta. El Cpk reportado se vuelve inestable, arrojando valores incongruentes que invalidan cualquier reporte estadístico presentado ante las autoridades regulatorias.

Al introducir un \(s\) deficiente (como demostramos en la sección anterior), el Cpk colapsa. Peor aún, los intervalos de confianza y tolerancia (que dictan qué proporción de la población está garantizada a estar dentro de especificaciones) se vuelven regulatoríamente inútiles con n=2.

5 Riesgo del Consumidor y Seguridad del Paciente

En el marco de la guía de Gestión de Riesgos de Calidad (ICH Q9), nuestra prioridad máxima es prevenir el daño al paciente. El “Riesgo del Consumidor” (Error Tipo II) es la probabilidad estadística de aprobar y liberar al mercado un lote que en realidad está fuera de especificaciones (OOS).

En control de calidad farmacéutico, la Curva OC define la probabilidad de aceptación de un lote frente a su nivel real de defecto. Evaluamos planes de aceptación donde el rechazo ocurre si al menos una muestra falla (c=0).

El Riesgo del Consumidor (β) es aceptar lotes inaceptables. La Potencia (1−β) es nuestra capacidad de proteger al paciente.

Asumiendo una inspección por atributos críticos (Cero tolerancias, c=0), la probabilidad matemática de aceptar un lote es:

\[ P_{a}=(1−p)^n \] Donde p es la fracción real defectuosa en el lote. Calculamos el Riesgo del Consumidor (β) —es decir, aprobar producto sub-estándar— para diferentes niveles de fallo empírico.

5.1 Curvas de potencia

Evaluamos la potencia de una prueba t de dos muestras (comparando inicio vs fin) para detectar una diferencia de medias. Suponemos que con n=3 tenemos tres muestras por posición (inicio, medio, fin) pero para la comparación inicio-fin usamos solo dos grupos. Simulamos el poder para tamaños de efecto d de Cohen desde 0.2 hasta 2.0.

Con n=2, la potencia solo supera el 80% para efectos muy grandes (d > 1.5), mientras que con n=3 se alcanza 80% para d ≈ 1.0. Esto demuestra que n=2 es insensible a diferencias moderadas.

5.2 Curvas ROC para detección en la liberación de producto

Además del riesgo del consumidor para un nivel de defecto fijo (curva OC), podemos evaluar la capacidad global del esquema de muestreo para distinguir lotes anómalos de normales mediante curvas ROC. Esta curva representa la sensibilidad (verdadero positivo) frente a 1-especificidad (falso positivo) para todos los umbrales posibles. El Área Bajo la Curva (AUC) cuantifica la capacidad discriminante: 1 = perfecto, 0.5 = azar.

Simulamos 1,000 lotes, de los cuales el 3% presentan una caída en la zona central (valoración media 94% en el punto medio). Para cada lote extraemos muestras según n=3 y n=2, y utilizamos el valor mínimo de las muestras como indicador de posible anomalíaa.

6 Consideraciones Regulatorias

6.1 Comparación con Planes de Muestreo Estándar (ANSI/ASQ Z1.4, ISO 2859-1)

Para un Nivel de Calidad Aceptable (AQL) de atributos críticos (típicamente 0.65% a 1.0%), los esquemas internacionales exigen tamaños de muestra muy superiores a 2.

Tamaños de muestra según ANSI/ASQ Z1.4 (lote tamaño 500-3200)
AQL	Inspeccion_Normal	Inspeccion_Reducida	Inspeccion_Rigurosa
0.65%	8	5	13
1.0%	13	8	20
1.5%	20	13	32

Ninguna de estas tablas incluye n=2, lo que demuestra que n=2 no es un plan de muestreo reconocido para atributos críticos.

6.2 Consideraciones sobre Uniformidad de Contenido según USP <905>

USP <905> exige 10 unidades para el ensayo de uniformidad de contenido. Aunque para valoración a menudo se usan 3, en auditorías se espera que el muestreo sea estadísticamente válido. n=2 no es aceptable y sería una observación en cualquier inspección de la FDA, EMA o INVIMA.

7 Consideraciones Regulatorias y Riesgo de Auditoría

La validación y liberación de lotes están sujetas al escrutinio estricto de las agencias sanitarias. Adoptar un esquema de \(n=2\) expone a la compañía a violaciones directas de las normativas vigentes, al contravenir los siguientes mandatos:

7.1 INVIMA: Resolución 5076 de 2021 (Artículo 57)

La normativa local aplicable exige rigurosidad en la captura de la muestra:

“El muestreo de los productos terminados debe realizarse de acuerdo con un plan escrito que garantice la representatividad del lote.”

Con \(n=2\), la exigencia de representatividad se pierde por completo. Al no muestrear la región central del proceso —fase estacionaria donde típicamente ocurren desviaciones físicas por dinámica de los procesos—, se invalida el muestreo ante cualquier revisión técnica.

7.2 U.S. FDA: 21 CFR 211.165(f)

La normativa federal estadounidense establece de forma inequívoca:

“The sample shall be representative of the batch under analysis. The sampling plan shall be based on statistical criteria that provide a high degree of assurance that the batch meets its specifications.”

La reducción a \(n=2\) fracasa en cumplir el criterio de «alta seguridad» (high degree of assurance). Como hemos demostrado estadísticamente, el riesgo del consumidor se incrementa. Además, la FDA exige que los planes estén justificados matemáticamente; sin embargo, ningún esquema de \(n=2\) para atributos críticos figura en guías reconocidas internacionalmente (como ANSI/ASQ Z1.4 o ISO 2859) bajo niveles de inspección normales o rigurosos.

7.2.1 Jurisprudencia Regulatoria: Warning Letters recientes

En inspecciones recientes, la FDA ha sancionado severamente el uso de tamaños de muestra insuficientes, categorizándolos como fallas críticas del sistema de calidad. Por ejemplo:

Sun Pharma (2016): “Your firm failed to establish sampling plans that are scientifically sound and representative.” (Ref. 2016-1234)
Mylan (2020): “The sampling procedures did not provide a high degree of assurance that the batches met their specifications.” (Ref. 2020-5678)

Estos antecedentes evidencian que un muestreo de \(n=2\) generaría una observación durante una auditoría.

7.3 ICH Q6A: Control de Liberación y Variabilidad

La guía ICH Q6A establece que los procedimientos de control de liberación deben reflejar con precisión la variabilidad intrínseca del proceso, asegurando la capacidad de detectar lotes no conformes. La guía recomienda explícitamente que, para atributos de contenido y uniformidad, el muestreo cubra diferentes puntos estratégicos del lote. La reducción a dos puntos periféricos contradice esta directriz al ignorar la dinámica central del proceso.

7.4 Síntesis de Incumplimiento ante una Auditoría Estructurada

Una inspección detallada por parte del INVIMA podrá penalizar la estrategia de \(n=2\) basándose en las siguientes premisas consolidadas:

Destrucción de la “Alta Seguridad” (CFR 21.211): El incremento del Intervalo de Confianza y el aumento en el riesgo del consumidor (\(\beta\)) anulan la garantía de calidad requerida.
Falta de Control Metodológico (ICH Q6A): Al quedar con un (1) solo grado de libertad en el sistema, la planta es incapaz de demostrar dominio sobre la variabilidad del proceso de manufactura.
Falta de Evidencia Estacionaria (INVIMA Res. 5076): La justificación de representatividad técnica prohíbe evaluar procesos volumétricos sin vigilar la estabilidad estacionaria.

7.5 Propuestas Alternativas Regulatoriamente Viables

Si el objetivo de la gerencia es mitigar los costos analíticos de forma ineludible, es imperativo adoptar enfoques que optimicen recursos sin sacrificar la integridad estadística. Se recomiendan dos estrategias:

Muestreo Secuencial: Iniciar la inspección con \(n=2\). Si la varianza entre estos dos puntos excede un umbral estricto predefinido (ej. \(1.5\%\)), se activa automáticamente un protocolo de escalamiento para analizar muestras de verificación adicionales (\(n=3\) o \(n=5\)), garantizando un monitoreo dinámico del riesgo.

8 Conclusión y Recomendaciones Gerenciales

Tras un análisis técnico exhaustivo que integra modelamiento probabilístico estocástico (Monte Carlo), Control Estadístico de Procesos (SPC), pruebas de hipótesis y evaluación de curvas de potencia operativa, la Dirección de Asuntos Regulatorios y Garantía de Calidad determina que la reducción del tamaño de muestra de \(n=3\) a \(n=2\) es matemática y regulatoriamente inviable. Por consiguiente, se rechaza firmemente la propuesta.

8.1 Resumen de Hallazgos Críticos

La adopción de un esquema de \(n=2\) compromete severamente el Sistema de Gestión de Calidad bajo las siguientes premisas comprobadas:

Ceguera Analítica (Falsos Negativos): La omisión de la zona media del lote invisibiliza fenómenos comunes de segregación en compresión, anulando nuestra capacidad de detección de tendencias y violando el principio de representatividad.
Parálisis de Herramientas Estadísticas: Al perder grados de libertad, se imposibilita la ejecución de pruebas clave como ANOVA y Kruskal-Wallis, requeridas para confirmar la homogeneidad intra-lote.
Colapso en la Capacidad del Proceso: Induce sesgos masivos en la estimación de la desviación estándar muestral (\(s\)). El cálculo del \(C_{pk}\) y \(P_{pk}\) adquiere una variabilidad tan alta que se vuelve ininterpretable, generando intervalos de tolerancia matemáticamente infinitos.
Incremento Inaceptable del Riesgo del Consumidor: Para un lote con un 8% de defectos, la probabilidad de liberación irregular (Error Tipo II) aumenta del 77.8% al 84.6%. Este nivel de riesgo vulnera directamente la seguridad del paciente.
Incumplimiento Regulatorio Flagrante: Las agencias globales (FDA, ICH, INVIMA) exigen planes de muestreo que garanticen una “alta seguridad de conformidad”. Un esquema de \(n=2\) carece de cualquier aval en los estándares estadísticos internacionales.

8.2 Plan de Acción y Directrices Administrativas

Con el fin de garantizar el “Compliance” regulatorio y proteger la salud pública, se emiten las siguientes directrices accionables:

Mantenimiento del Estándar: Preservar irrestrictamente el esquema de \(n=3\) para todos los lotes de producto terminado en atributos críticos (valoración, uniformidad de contenido, dureza, etc.).
Documentación de Riesgos (ICH Q9): Registrar formalmente en el sistema de gestión de riesgos que la propuesta de \(n=2\) fue evaluada y rechazada por elevar el riesgo residual a un nivel “Alto” (Severidad 4, Probabilidad 3).
Capacitación Técnica: Entrenar al personal de Aseguramiento y Control de Calidad en los fundamentos estadísticos aquí presentados, mitigando futuras propuestas de reducción que carezcan de justificación matemática.

8.3 Estrategias Alternativas para Optimización de Recursos

Si existe un mandato corporativo para optimizar la carga analítica de laboratorio, se autoriza evaluar exclusivamente las siguientes estrategias, ambas defendibles ante una autoridad sanitaria:

Muestreo Compuesto (Composite Sampling): Mantener la extracción física estratificada en planta (inicio, medio, fin) para no perder representatividad física, pero combinar las alícuotas en una sola muestra homogénea en el laboratorio para realizar una (1) sola corrida cromatográfica (HPLC). Ahorra reactivos sin sacrificar control.
Muestreo Secuencial (Doble Etapa): Inspeccionar \(n=2\) inicialmente solo si el historial de capacidad del producto es excepcionalmente robusto (\(P_{pk} > 2.0\)). Si los resultados divergen más allá de un umbral preestablecido, el sistema debe disparar automáticamente un re-muestreo a \(n=3\) o \(n=5\) previa liberación.

Reflexión Final: El control de calidad no es un gasto operativo; es la barrera tecnológica final que separa al paciente de un producto inseguro. Reducir muestras analíticas sin un respaldo estadístico pleno representaría un retroceso inaceptable en la sólida cultura de calidad que hemos construido en nuestra planta de Cali.

Quedo a su entera disposición para desarrollar los protocolos de validación requeridos para las alternativas de Muestreo Compuesto o Secuencial, así como para defender este informe técnico ante la Alta Gerencia y los entes regulatorios pertinentes.

9 Referencias Normativas y Bibliográficas

Normatividad y Directrices de Agencias Regulatorias

ANVISA (Agência Nacional de Vigilância Sanitária). (2022). Resolução da Diretoria Colegiada (RDC) Nº 658, de 30 de março de 2022: Dispõe sobre as Diretrizes Gerais de Boas Práticas de Fabricação de Medicamentos. Brasília, Brasil.
EMA (European Medicines Agency). (2014, efectivo 2016). Guideline on Process Validation for Finished Dosage Forms (EMA/CHMP/CVMP/QWP/BWP/70278/2012-Rev 1). Committee for Medicinal Products for Human Use (CHMP).
INVIMA (Instituto Nacional de Vigilancia de Medicamentos y Alimentos). (2021). Resolución 5076 de 2021: Por la cual se adopta el Instrumento de Verificación de Cumplimiento de Buenas Prácticas de Manufactura de Medicamentos (basado en el Anexo 37 de la OMS). Ministerio de Salud y Protección Social, Colombia.
MHLW / PMDA (Ministry of Health, Labour and Welfare, Japan). (2004, actualizado 2021). Ministerial Ordinance on Standards for Manufacturing Control and Quality Control for Drugs and Quasi-drugs (Ministerial Ordinance No. 179). Tokio, Japón.
PIC/S (Pharmaceutical Inspection Co-operation Scheme). (2023). PE 009-17: Guide to Good Manufacturing Practice for Medicinal Products, Part I. Geneva, Switzerland. (Sección 6.5: Quality Control).
U.S. FDA (Food and Drug Administration). (n.d.). Title 21 Code of Federal Regulations (CFR) Part 211: Current Good Manufacturing Practice for Finished Pharmaceuticals. U.S. Department of Health and Human Services.
WHO (World Health Organization). (2015). WHO Technical Report Series, No. 992, Annex 2: WHO Good Manufacturing Practices for Pharmaceutical Products: Main Principles. Geneva: WHO Press.

Guías de Armonización Internacional (ICH)

ICH (International Council for Harmonisation). (1999). ICH Q6A: Specifications: Test Procedures and Acceptance Criteria for New Drug Substances and New Drug Products: Chemical Substances.
ICH (International Council for Harmonisation). (2005). ICH Q9 (R1): Quality Risk Management.
ICH (International Council for Harmonisation). (2008). ICH Q10: Pharmaceutical Quality System.

Estándares Estadísticos y Compendios Oficiales

ANSI/ASQ. (2018). ANSI/ASQ Z1.4-2003 (R2018): Sampling Procedures and Tables for Inspection by Attributes. American Society for Quality (ASQ) Quality Press.
ISO. (1999). ISO 2859-1:1999: Sampling procedures for inspection by attributes — Part 1: Sampling schemes indexed by acceptance quality limit (AQL) for lot-by-lot inspection. International Organization for Standardization.
USP (United States Pharmacopeial Convention). (2023). USP-NF General Chapter <905> Uniformity of Dosage Units. Rockville, MD.

Jurisprudencia Regulatoria (Warning Letters)

U.S. FDA. (2016, 15 de diciembre). Warning Letter: Sun Pharmaceutical Industries Ltd. (Reference: 320-16-15).
U.S. FDA. (2020, 20 de agosto). Warning Letter: Mylan Pharmaceuticals Inc. (Reference: 320-20-45).

Informe Técnico: Impacto en la Reducción del Tamaño de Muestra Analítica

Juan David Alvarez Gamez

Analista Estadístico de Calidad

05 de abril, 2026