Revista Farmespaña Industrial - Especial Calidad 2025

Con ese material, una afirmación causal di- recta sería frágil. Lo que sí es contestable, ya, es una inferencia: “¿ha aumentado la varia- bilidad y cuánto?”. Y, si queremos actuar en planta, una predicción: “¿qué lotes presentan mayor riesgo de fuera de especificación?”. La pregunta causal quedará abierta para cuan- do diseñemos datos específicos (un experi- mento o un cuasi-experimento). Con el tipo de pregunta claro, entra en jue- go una guía de trabajo sencilla que evita sal- tos y ayuda a decidir: Pregunta → Datos → Métrica → → Robustez → Resultado útil → Límites No es una lista rígida; es una secuencia que se retroalimenta. • Pregunta. Reformulamos la inquietud de la planta en términos prácticos: “¿La variabilidad intralote del contenido de API ha aumentado en al menos un 20% desde junio, afectando a la capacidad del proceso?”. Esta versión ya sugiere la decisión posible (revisar parámetros o intensificar controles) y fija una magni- tud. • Datos. Antes de calcular nada, verifica- mos cobertura por línea y turno, consis- tencia de unidades, granularidad (lote/ sublote) y posibles sesgos (por ejemplo, más muestreos en turnos problemáti- cos). Si falta una variable clave —hume- dad— lo anotamos como limitación y, si es viable, planificamos su captura en adelante. • Métrica. En procesos con colas o asi- metría, la mediana y el rango intercuar- tílico reflejan mejor la variabilidad típica que la media y la desviación típica. Para calidad importan, además, el porcen- taje fuera de especificación y, cuando proceda, Cp/Cpk (si se cumplen sus su- puestos). Elegir la métrica correcta no es estética: determina si vemos el problema o lo tapamos. • Robustez. Un resultado sólido no de- pende de una única elección razonable. Probamos alternativas: media vs. media- na, ventanas mensuales vs. trimestrales, con y sin transformar en logaritmos, re- glas claras para tratar valores atípicos. Si planteamos un modelo operativo para priorizar inspecciones, validamos con conjunto de reserva y validación cru- zada; informamos su área bajo la curva (AUC) y, sobre todo, su utilidad práctica (cuántos fuera de especificación detecta si priorizamos, por ejemplo, el 30% de lotes). • Resultado útil. El objetivo no es un panel bonito, sino una frase que empu- je una acción: “Desde julio, la mediana de variabilidad intralote aumentó de 0,12% a 0,19% (diferencia +0,07 puntos porcentuales; con un intervalo de con- fianza del 95% [+0,04; +0,10]) y el rango intercuartílico creció un 25%. Reco- mendamos ajustar tiempo de mezcla y control de humedad. Mientras tanto, un modelo sencillo prioriza el 30% de lotes con humedad ambiental >60% y captu- ra el 70% de los fuera de especificación”. Esa frase enlaza inferencia (cuánto cam- bió) con operación (qué hacer mañana). • Límites. Declararlos fortalece el análi- sis: desbalanceo por líneas, humedad ausente en parte del verano, tamaños de lote cambiantes. Y se añade cómo se reducirán en la siguiente vuelta: sen- sores, registro homogéneo, diseño de experimentos. Tipos de pregunta en la práctica farmacéutica y biotecnológica Con este mismo hilo podemos volver atrás y situar, ahora sí con orden, el mapa de tipos de pregunta en la práctica cotidiana: • Cuando la planta pregunta “¿cómo se distribuye el contenido de API por tur- no?”, está describiendo. • Si mira relaciones preliminares —“pa- rece que con mayor humedad sube la variabilidad”— está explorando; aquí no hay pruebas, hay pistas. • Al estimar “¿cuánto aumentó la variabi- lidad y con qué incertidumbre?”, hace inferencia. • Si necesita priorizar recursos —“¿qué lotes inspecciono hoy?”—, pasa a pre- dicción. • Si valora cambiar un parámetro del pro- ceso y quiere saber el efecto del cam- bio, entra en causalidad; y aquí la guía le recordará que necesita otro diseño de datos (aleatorizar o aplicar técnicas cuasi-experimentales con supuestos ex- plícitos). • Cuando un equipo propone “por qué” sucede el fenómeno (tamaño de par- tícula, humedad, interacción con exci- pientes), eso es mecanismo y pide otra clase de evidencia, a menudo fuera del análisis puramente estadístico. Este orden evita el “estiramiento interpre- tativo”: presentar un buen clasificador como si fuese prueba de causa, o una asociación como si fuese mecanismo. También agiliza la comunicación entre Producción, Calidad e I+D: todos saben qué parte del análisis hace qué y con qué límites. Cerrarel círculo Volvamos al caso de la planta. Tras la consta- tación inferencial del aumento de variabilidad y la implantación temporal de una prioriza- ción de lotes, llega el momento de responder la pregunta causal que quedó pendiente: “si ajusto tiempo de mezcla y humedad, ¿qué ocurre con la variabilidad y el perfil de impu- rezas?”. Aquí la guía nos lleva a un diseño de experimentos sencillo (por ejemplo, 2×2 con réplicas) o a un cuasi-experimento si no es posible aleatorizar (diseños por bloques, se- ries temporales con intervención y controles). Sólo con ese cambio de diseño se puede ha- blar con propiedad de “efecto”. En paralelo, la planta aprende. La próxima vez que surja una sospecha, el orden ya es- tará interiorizado: clarificar qué se pregunta, asegurar con qué datos se puede contestar, acordar cómo semedirá, comprobar si se sos- tiene al variar elecciones razonables y comu- nicar un resultado que mueva una decisión, con sus límites por delante. No hay magia, hay método. Unmodo de trabajarque cambia la práctica Este modo de trabajar también evita errores habituales en entornos técnicos: tratar una asociación observada como si probara una causa, interpretar una reducción temporal en fallos como efecto de una acción sin control adecuado, o confundir predicción con ex- plicación. Situar cada hallazgo en su tipo de pregunta protege tanto la calidad del análisis como las decisiones que se toman a partir de él. Los datos importan y los métodos importan, pero mandan las preguntas. Nombrar bien el tipo de pregunta y seguir una guía sencilla evi- ta errores caros. No es una invitación a “poner más pasos”: es una forma de ahorrar trabajo mal dirigido. En los sectores farmacéuticos y biotecnológicos, donde decisiones pequeñas pueden tener consecuencias grandes, esa di- ferencia separa un informe que se olvida de un análisis que cambia la práctica ◉ control de planificación 68 FARMESPAÑA INDUSTRIAL · ESPECIAL CALIDAD EN LA INDUSTRIA FARMACÉUTICA