Sommaire de l’article
Une déviation est ouverte sur une ligne de conditionnement, investiguée, une cause racine documentée, un CAPA fermé. Neuf mois plus tard, une déviation presque identique survient sur la même ligne — mais elle porte un tout autre numéro d'enregistrement, ouvre une investigation propre, et rien dans le système ne la relie à la précédente. Le système qualité vient de traiter deux incidents là où il n'y avait qu'un seul échec récurrent sous deux étiquettes différentes.
L'hypothèse de recherche H1 est la suivante : un numéro de déviation identifie un enregistrement, pas un mode de défaillance. La récurrence devient détectable lorsque les enregistrements de déviation sont normalisés en familles stables de mode de défaillance et de cause racine ; elle ne peut être réduite que lorsque le CAPA lié est assez fort pour modifier le système causal, et vérifié prospectivement sous une exposition renouvelée au procédé.
H1 est conditionnellement soutenue au niveau opérationnel et de la mesure, mais non établie comme un effet causal pharmaceutique. La FDA opérationnalise la déviation répétée comme le pourcentage de rapports d'alerte terrain (Field Alert Reports) partageant la même cause racine et la même forme galénique pour un site donné, et la traite comme un indicateur de la capacité du système qualité à prévenir les problèmes répétés ; l'ICH Q10 exige des indicateurs de performance pour la déviation et le CAPA, incluant tendance et audit. La preuve causale est plus faible : la meilleure revue systématique en libre accès localisée sur la RCA (analyse de cause racine) et la récurrence a retenu 21 études éligibles, dont deux seulement montrent une certaine amélioration, et aucune n'établit directement une réduction générale des événements indésirables futurs. Le mécanisme est défendable ; une affirmation universelle du type « cette méthode réduit la récurrence de X % » ne l'est pas.
| Sous-sujet | Objet d'analyse principal | Exclu de 5.1 |
|---|---|---|
| 5.1 — Identité inter-enregistrements | Détecter la même défaillance sous des numéros de déviation différents | Refonte complète de l'intervention, clôture causale formelle, affirmation finale de disparition |
| 5.2 | Rompre le motif systémique par la conception de l'intervention | Le rapprochement d'enregistrements comme sujet principal |
| 5.3 | Déterminer si l'explication causale est suffisamment close | La détection de tendance comme sujet principal |
| 5.4 | Disparition démontrée ou réduction soutenue après CAPA | La classification initiale de récurrence |
| 5.5 | Reformulation organisationnelle des événements répétés comme échos, non comme incidents isolés | La conception technique de métrique de récurrence |
Partie 1 — Un numéro de déviation n'est pas une identité de défaillance
Un système de déviation attribue en général un nouvel identifiant d'enregistrement à chaque événement. Cet identifiant est nécessaire au contrôle documentaire, mais il est analytiquement impropre à servir d'identité de la défaillance. Détecter la récurrence exige une seconde couche d'identité, stable dans le temps : la famille de défaillance.
The Checklist Manifesto d'Atul Gawande fournit l'accroche conceptuelle. Dans l'édition Metropolitan Books de 2009, la page 122 énonce : « You must define a clear pause point at which the checklist is supposed to be used » — « vous devez définir un point de pause clair, au moment où la checklist est censée être utilisée ». Le concept est réutilisé ici comme un point de pause de récurrence obligatoire, placé avant que la classification de la déviation ne soit finalisée : à ce point, l'investigateur doit rechercher les enregistrements antérieurs par attributs causaux et de procédé stables, pas par texte libre ou numéro de déviation seul.
Publication institutionnelle de la FDA (États-Unis) — document gouvernemental, non soumis au droit d'auteur (17 U.S.C. §105).Aucune légende séparée n'est imprimée ; titre verbatim de la diapositive : « Predictive Scoring and Benchmarking Illustration ».
Les quatre panneaux affichent le temps médian d'investigation, le pourcentage de déviation répétée, le pourcentage d'erreur humaine et le pourcentage de CAPA limité au recyclage, chacun sur l'axe des années fiscales 2018–2022 avec une série percentile en axe secondaire. La diapositive elle-même précise qu'il s'agit d'une illustration et que les prédictions utilisent les données de rapports d'alerte terrain comme substitut : la déviation répétée y est traitée comme une métrique longitudinale mesurée à l'échelle institutionnelle, pas comme une étiquette anecdotique — mais sans établir d'effet causal.
L'ICH Q10 précise que des indicateurs de performance doivent être identifiés et utilisés pour surveiller les processus du système qualité pharmaceutique. Sa section de revue de direction inclut explicitement les réclamations, déviations, CAPA, gestion du changement, tendance, audits et actions de suivi. La définition quantitative de la FDA rend explicite l'identité de récurrence : les « Repeat Deviations » sont le pourcentage de rapports d'alerte terrain partageant la même cause racine et la même forme galénique, rapportés par un site pour chaque année fiscale.
Ceci soutient une clé minimale de récurrence :
failure_family_id =
site + produit/forme_galenique + etape_procede
+ mode_defaillance + famille_cause_racineLa clé de production précise peut être plus granulaire, mais elle doit rester stable à travers les numéros de déviation et gouvernée par une taxonomie contrôlée.
Partie 2 — La quantité de clôtures n'est pas un contrôle de récurrence
Clôturer rapidement des enregistrements de déviation peut améliorer le débit administratif tout en laissant le système causal inchangé. Le contrôle de récurrence dépend donc de la force de l'action et de la vérification d'efficacité, pas du seul nombre de clôtures.
À la même page 122, Gawande distingue une checklist DO-CONFIRM d'une checklist READ-DO. La réutilisation pertinente est une porte d'efficacité DO-CONFIRM : les opérations reprennent sous le CAPA implémenté, puis l'organisation marque une pause pour confirmer que les contrôles requis ont réellement été mis en œuvre et que la défaillance n'est pas réapparue sous une exposition suffisante. C'est une accroche sémantique, pas une validation empirique.
« Fig. 1. Study selection flow diagram. RCA, root cause analysis. »
Le diagramme de sélection d'études rapporte 78 notices Medline, 65 Scopus et 26 EMBASE ; 127 notices après dédoublonnage ; 77 exclusions au criblage titre/résumé ; 50 textes intégraux évalués ; 29 exclusions en texte intégral ; 21 études incluses. Il documente la construction du corpus de preuve utilisé pour juger si la RCA prévient la récurrence, pas un effet d'intervention en soi.
Sur les 21 études incluses par Martin-Delgado et al., les échantillons vont de 20 à 1 707 analyses, recommandations, audits ou entretiens. Seules deux études établissent une certaine amélioration ; dix rapportent des recommandations faibles. La revue précise en outre qu'aucune des études incluses n'évalue directement la capacité du processus à réduire les événements indésirables futurs, et identifie l'absence de suivi des plans d'amélioration comme une lacune récurrente d'implémentation. La conclusion correcte est donc plus étroite que « la RCA fonctionne » : la RCA peut identifier des causes contributives, mais la prévention de récurrence dépend de si les recommandations sont causalement appropriées, implémentées, et suivies sur une fenêtre d'exposition suffisamment longue.
Hibbert et al. renforcent cette conclusion. Sur 227 RCA et 1 137 recommandations, seulement 8 % des recommandations sont classées comme fortes, 44 % comme moyennes et 48 % comme faibles ; 72 % des RCA ne contiennent aucune recommandation forte. Les actions les plus fréquentes sont la révision de documents/politiques et la formation. Les auteurs suggèrent explicitement d'agréger les incidents similaires plutôt que de les investiguer répétitivement de façon isolée.
Partie 3 — Agréger avant d'investiguer à nouveau le même motif
Investiguer chaque événement isolément, de façon répétée, consomme des ressources et fragmente la preuve. L'agrégation convertit des enregistrements séparés en un historique de défaillance capable de révéler des causes communes, des classes d'action faibles et des conditions d'exposition répétées.
Une checklist externalise la mémoire critique au moment où elle est nécessaire. Pour le contrôle de récurrence des déviations, l'équivalent est un dossier de récurrence gouverné, assemblé automatiquement avant clôture : déviations antérieures appariées, hypothèses causales antérieures, actions CAPA, preuves d'implémentation, vérifications d'efficacité et exposition post-CAPA.
Publication institutionnelle de la FDA (États-Unis) — document gouvernemental, non soumis au droit d'auteur (17 U.S.C. §105).Aucune légende séparée n'est imprimée ; titre verbatim de la diapositive : « Modeling Pipeline and Performance Metrics ».
Un nœud de données se ramifie vers l'imputation, la sélection de variables, des variantes de régression linéaire, un réseau de neurones, un modèle linéaire généralisé de Tweedie, un arbre de décision, une forêt, du gradient boosting, du gradient boosting de Tweedie, un ensemble, des nœuds de scoring et un composeur de modèles. Un tableau de comparaison rapporte l'erreur quadratique moyenne, sa racine et l'erreur absolue moyenne pour les modèles candidats — une architecture de comparaison quantitative pour des métriques d'efficacité du système qualité, retenue ici parce qu'elle contient un tableau de performance concret plutôt qu'un schéma purement conceptuel.
François et al. ont examiné les 20 comités de retour d'expérience d'un hôpital universitaire français sur une année. Les comités ont tenu 164 réunions, revu 1 707 événements indésirables, conduit 91 analyses et décidé 206 actions correctives. La RCA était présente dans 76 % des rapports d'analyse mais complète dans seulement 23 % ; seules 26 % des actions correctives avaient une échéance d'implémentation. Ces chiffres montrent que le volume d'activité et la présence formelle de RCA n'impliquent pas une analyse causale complète ni une implémentation maîtrisée.
Une étude de benchmarking spécifiquement pharmaceutique par Fellows et al. a rassemblé des données auprès de plus de 200 établissements de fabrication pharmaceutique dans le monde. Son système de benchmarking qualité incluait le taux de déviation récurrente parmi les indicateurs de fabrication, et reliait les pratiques de gestion qualité à la performance opérationnelle. L'étude est utile comme pont de mesure pharmaceutique, mais ne fournit pas d'estimation causale selon laquelle un algorithme particulier de contrôle de récurrence réduirait les déviations.
Conclusion
La recherche soutient un mécanisme contrôlé de détection de récurrence :
- normaliser chaque déviation en une signature de défaillance stable ;
- rechercher les enregistrements antérieurs avant la classification et la clôture finales ;
- relier les enregistrements appariés à la lignée antérieure de cause racine et de CAPA ;
- distinguer l'implémentation de l'efficacité ;
- évaluer l'efficacité seulement après une exposition comparable suffisante ;
- traiter la récurrence post-CAPA dans la même famille causale comme un échec d'efficacité CAPA potentiel ;
- agréger les motifs répétés pour l'investigation systémique et la revue de direction.
Elle ne soutient pas une affirmation numérique universelle selon laquelle cette architecture réduirait les déviations pharmaceutiques d'un pourcentage fixe. Une étude de validation prospective multi-site reste nécessaire.
Un numéro d'enregistrement ne devrait jamais être la clé primaire de l'analyse de récurrence ; le système qualité a besoin d'une clé de famille de défaillance persistante, de règles de correspondance explicites, d'une confirmation par réviseur et d'un dénominateur d'exposition comparable — sans quoi chaque déviation répétée continue de se présenter comme un incident nouveau.
Dix concepts distillés de la preuve
- L'identifiant de déviation n'est pas une identité de défaillance. Un identifiant stable de famille de défaillance est requis à travers les enregistrements.
- La récurrence a besoin d'un dénominateur. Des comptages seuls ne sont pas comparables sans exposition de procédé, de lot ou d'opportunité.
- La même cause racine est insuffisamment robuste lorsque le codage de cause racine est faible. Mode de défaillance, étape de procédé, équipement, matériau, produit/forme galénique, site et famille causale devraient être combinés.
- Le temps de clôture est une métrique administrative, pas une métrique d'efficacité. Il peut être surveillé mais ne devrait pas se substituer au résultat de récurrence.
- Un CAPA limité à la formation est un signal structurel faible. Il peut être approprié dans certains cas, mais un recours répété à la formation ou à la révision de procédure devrait déclencher une revue de force d'action.
- Implémentation et efficacité sont des états séparés. La preuve qu'une action a été complétée ne montre pas que la défaillance a été prévenue.
- L'efficacité exige une exposition renouvelée. Un CAPA ne peut être jugé avant que le procédé concerné n'ait fonctionné suffisamment de fois sous des conditions comparables.
- L'agrégation peut avoir plus de valeur que des RCA isolées répétées. Les incidents similaires devraient être analysés thématiquement avant de lancer des investigations redondantes.
- La classification humaine reste nécessaire. La similarité automatisée peut prioriser des candidats, mais des réviseurs responsables doivent confirmer la famille causale.
- La validation prospective manque. L'architecture de récurrence devrait être testée contre la pratique de référence avec des critères de jugement prédéfinis.
Graphe de décision d'application
| Étape | Question | Suite |
|---|---|---|
| 1. Normalisation | La déviation a-t-elle été normalisée en signature de défaillance canonique (site + produit/forme + étape + mode de défaillance + famille de cause racine) ? | Non → compléter la classification avant de poursuivre. Oui → étape suivante. |
| 2. Correspondance de famille | La signature correspond-elle à une famille de défaillance antérieure ? | Non → investiguer comme mode de défaillance candidat nouveau. Oui → étape suivante. |
| 3. Lignée RCA/CAPA | La lignée RCA et CAPA antérieure a-t-elle été récupérée et la famille causale confirmée par un réviseur ? | Non → retour à l'investigation comme candidat nouveau. Oui → étape suivante. |
| 4. Exposition post-CAPA | Le CAPA est-il actif et l'exposition au procédé a-t-elle repris en quantité suffisante ? | Non → ne pas déclarer l'efficacité pour l'instant. Oui → étape suivante. |
| 5. Décision de récurrence | Un événement post-CAPA de la même famille causale a-t-il été confirmé ? | Oui → signaler une récurrence / échec d'efficacité CAPA possible, agréger la tendance, réinvestiguer à l'échelle systémique. Non → clore sous surveillance continue. |
| 6. Fenêtre prospective | La fenêtre et le dénominateur d'efficacité ont-ils été fixés avant jugement ? | Alimente l'évaluation de la prochaine déviation entrant dans le même cycle. |
Modèle de données contrôlé minimal
| Champ | Objectif | Exigence de contrôle |
|---|---|---|
deviation_record_id | Identifiant de contrôle documentaire unique | Immuable |
failure_family_id | Identité de défaillance stable inter-enregistrements | Taxonomie versionnée + approbation réviseur |
failure_mode_code | Mode de défaillance observable | Vocabulaire contrôlé |
root_cause_family_id | Classification causale | Liée à la preuve ; incertitude admise |
product_dosage_form | Appariement au contexte produit | Référence de données maîtres |
process_step | Localisation dans le procédé | Carte de procédé contrôlée |
equipment_asset_id | Récurrence spécifique à l'actif | Référence au registre d'actifs |
site_area_line | Portée organisationnelle/physique | Hiérarchie contrôlée |
capa_id | Lignée d'action antérieure | Intégrité référentielle |
action_strength_class | Élimination, ingénierie, administrative, formation, etc. | Classificateur défini + justification |
implementation_date | Date de mise en œuvre opérationnelle | Preuve jointe |
effectiveness_window | Délai ou exposition requis avant jugement | Protocole pré-approuvé |
exposure_count | Opportunités comparables après CAPA | Dénominateur défini à la source |
recurrence_event | Événement post-CAPA apparié | Confirmé par réviseur |
match_confidence | Score de similarité automatisé/analytique | Calibré ; non décisionnel en dernier ressort |
reviewer_decision | Confirmer/rejeter/fusionner/scinder la famille | Signé et reconstructible |
Couche d'indicateurs
Taux de récurrence de déviation =
déviations récurrentes confirmées dans une famille stable
-----------------------------------------------------------
opportunités de déviation comparables ou exposition procédé
Complétude d'affectation de famille =
déviations affectées à une famille de défaillance revue
------------------------------------------------------
toutes les déviations éligibles à l'analyse de récurrence
Taux d'échec d'efficacité CAPA =
CAPA avec récurrence confirmée de même famille après exposition suffisante
----------------------------------------------------------------------------
CAPA atteignant leur point d'évaluation d'efficacité pré-défini
Concentration d'action faible =
CAPA dont l'action de plus haute intensité est formation/révision documentaire
--------------------------------------------------------------------------------
tous les CAPA de la période mesuréeL'appariement recommandé est hybride : correspondance déterministe pour les codes contrôlés et identifiants de données maîtres ; embeddings de texte ou modèles de langage réservés à la récupération de candidats et à la similarité sémantique ; contraintes temporelles et d'exposition pour prévenir les fausses étiquettes de récurrence ; confirmation par réviseur avec codes de raison ; revue périodique de taxonomie pour fusionner les familles dupliquées et scinder les familles trop larges ; lignée complète de l'enregistrement source à la décision de récurrence.
Informations manquantes
- Aucune méta-analyse pharmaceutique en libre accès n'a été localisée pour estimer l'effet causal de la tendance de déviation combinée aux vérifications d'efficacité CAPA sur le taux de déviation récurrente.
- La synthèse d'effet de récurrence la plus solide localisée provient de la littérature de RCA en santé : adjacente, pas identique, à la fabrication GMP.
- Les diapositives de benchmarking de la FDA sont institutionnelles et directement pharmaceutiques, mais l'affichage prédictif est explicitement qualifié d'illustration et utilise les données de rapports d'alerte terrain comme substitut.
- Le document de la FDA n'expose pas l'ensemble des données d'entraînement, la calibration du modèle, la cohorte de validation ni les intervalles d'incertitude nécessaires à une évaluation indépendante du modèle.
- Un dénominateur opérationnel robuste pour la récurrence doit être choisi par type de procédé ; « toutes les déviations » peut être trompeur lorsque le volume de production ou le nombre d'opportunités varie.
- La pagination exacte du livre dépend de l'édition ; la page citée correspond à l'édition Metropolitan Books de 2009.
Sources citées
- Fellows, M., Friedli, T., Li, Y., et al. (2022). Benchmarking the Quality Practices of Global Pharmaceutical Manufacturing to Advance Supply Chain Resilience. The AAPS Journal, 24, 111. doi.org/10.1208/s12248-022-00761-7
- François, P., Lecoanet, A., Caporossi, A., Dols, A.-M., Seigneurin, A., & Boussat, B. (2018). Experience feedback committees: A way of implementing a root cause analysis practice in hospital medical departments. PLOS ONE, 13(7), e0201067. doi.org/10.1371/journal.pone.0201067
- Gawande, A. (2009). The Checklist Manifesto: How to Get Things Right. Metropolitan Books, p. 122.
- Hibbert, P. D., Thomas, M. J. W., Deakin, A., et al. (2018). Are root cause analyses recommendations effective and sustainable? An observational study. International Journal for Quality in Health Care, 30(2), 124–131. doi.org/10.1093/intqhc/mzx181
- International Council for Harmonisation. (2008). ICH Q10 Pharmaceutical Quality System. database.ich.org
- Martin-Delgado, J., Martínez-García, A., Aranaz, J. M., Valencia-Martín, J. L., & Mira, J. J. (2020). How Much of Root Cause Analysis Translates into Improved Patient Safety: A Systematic Review. Medical Principles and Practice, 29(6), 524–531. doi.org/10.1159/000508677
- Viehmann, A. (2023). Pharmaceutical Quality System Effectiveness. U.S. Food and Drug Administration, CDER, Office of Pharmaceutical Quality, Office of Quality Surveillance. fda.gov/media/170111/download
Date limite de preuve : 20 février 2026.
A deviation is opened on a packaging line, investigated, a root cause documented, a CAPA closed. Nine months later, a near-identical deviation occurs on the same line — but it carries an entirely different record number, opens its own investigation, and nothing in the system links it to the first. The quality system has just processed two incidents where there was only one recurring failure under two different labels.
The research hypothesis H1 is: a deviation number identifies a record, not a failure mode. Recurrence becomes detectable when deviation records are normalized into stable failure-mode and root-cause families; it can be reduced only when the linked CAPA is strong enough to modify the causal system, and is prospectively checked under renewed process exposure.
H1 is conditionally supported at the operational and measurement level, but not established as a pharmaceutical causal effect. The FDA operationalizes repeat deviation as the percentage of Field Alert Reports sharing the same root cause and dosage form for a given site, and treats it as an indicator of the quality system's ability to prevent repeated problems; ICH Q10 requires performance indicators for deviation and CAPA processes, including trending and audits. The causal evidence is weaker: the best open-access systematic review located on RCA (root cause analysis) and recurrence retained 21 eligible studies, of which only two showed some improvement, and none directly established a general reduction in future adverse events. The mechanism is defensible; a universal claim such as "this method reduces recurrence by X%" is not.
| Sub-topic | Primary analytical object | Excluded from 5.1 |
|---|---|---|
| 5.1 — Cross-record identity | Detecting the same failure beneath different deviation numbers | Full intervention redesign, formal causal closure, final disappearance claim |
| 5.2 | Breaking the systemic pattern through intervention design | Record linkage as the main subject |
| 5.3 | Whether the causal explanation is sufficiently closed | Trend detection as the main subject |
| 5.4 | Demonstrated disappearance or sustained reduction after CAPA | Initial recurrence classification |
| 5.5 | Organizational reframing of repeated events as echoes, not isolated incidents | Technical recurrence-metric design |
Part 1: A deviation number is not a failure identity
A deviation system usually assigns a new record identifier to every event. That identifier is necessary for document control, but it is analytically unsuitable as the identity of the failure. Detecting recurrence requires a second identity layer that remains stable across time: the failure family.
Atul Gawande's The Checklist Manifesto supplies the conceptual hook. In the 2009 Metropolitan Books edition, page 122 states: "You must define a clear pause point at which the checklist is supposed to be used." The concept is reused here as a mandatory recurrence pause point, placed before deviation classification is finalized: at that point, the investigator must search prior records by stable causal and process attributes, not by free text or deviation number alone.
U.S. FDA institutional publication — a U.S. government work, not subject to copyright (17 U.S.C. § 105).No separate caption is printed; verbatim slide title: “Predictive Scoring and Benchmarking Illustration.”
The four panels display median investigation time, percent repeat deviation, percent human error and percent CAPA retraining-only, each plotted against fiscal years 2018–2022 with a percentile series on the secondary axis. The slide itself labels the display an illustration and states that predictions use Field Alert Report data as a surrogate: repeat deviation is treated as a longitudinal, institutionally benchmarked metric rather than an anecdotal label — without establishing a causal effect.
ICH Q10 states that performance indicators should be identified and used to monitor pharmaceutical quality-system processes. Its management-review section explicitly includes complaints, deviations, CAPA, change management, trending, audits and follow-up actions. FDA's quantitative definition makes the recurrence identity explicit: "Repeat Deviations" are the percentage of Field Alert Reports sharing the same root cause and dosage form, reported by a site for each fiscal year.
This supports a minimum recurrence key:
failure_family_id =
site + product_dosage_form + process_step
+ failure_mode + root_cause_familyThe precise production key can be more granular, but it must remain stable across deviation numbers and be governed by a controlled taxonomy.
Part 2: Closure quantity is not recurrence control
Closing deviation records quickly can improve administrative throughput while leaving the causal system unchanged. Recurrence control therefore depends on action strength and effectiveness verification, not closure count alone.
On the same page 122, Gawande distinguishes a DO-CONFIRM checklist from a READ-DO checklist. The relevant reuse is a DO-CONFIRM effectiveness gate: operations resume under the implemented CAPA, then the organization pauses to confirm that the required controls were actually implemented and that the failure has not recurred under sufficient exposure. This is a semantic hook, not empirical validation.
“Fig. 1. Study selection flow diagram. RCA, root cause analysis.”
The study-selection flow diagram reports 78 Medline, 65 Scopus and 26 EMBASE records; 127 records after duplicate removal; 77 exclusions at title/abstract screening; 50 full texts assessed; 29 full-text exclusions; 21 included studies. It documents the construction of the evidence base used to judge whether RCA prevents recurrence, not an intervention effect in itself.
Across the 21 studies Martin-Delgado et al. included, samples ranged from 20 to 1,707 analyses, recommendations, audits or interviews. Only two studies established some improvement; ten reported weak recommendations. The review further states that none of the included studies directly assessed the process's ability to reduce future adverse events, and identifies lack of follow-up on improvement plans as a recurrent implementation gap. The correct conclusion is therefore narrower than "RCA works": RCA can identify contributing causes, but recurrence prevention depends on whether recommendations are causally appropriate, implemented, and followed through a sufficiently long exposure window.
Hibbert et al. strengthen this conclusion. Across 227 RCAs and 1,137 recommendations, only 8% of recommendations were classified as strong, 44% as medium, and 48% as weak; 72% of RCAs contained no strong recommendation. The most frequent actions were document/policy revision and training. The authors explicitly suggest aggregating similar incidents rather than repeatedly investigating them in isolation.
Part 3: Aggregate before investigating the same pattern again
Repeated event-by-event investigation consumes resources and fragments evidence. Aggregation converts separate records into a failure history that can reveal common causes, weak action classes and repeated exposure conditions.
A checklist externalizes critical memory at the moment it is needed. In deviation recurrence control, the equivalent is a governed recurrence dossier automatically assembled before closure: prior matched deviations, prior causal hypotheses, CAPA actions, implementation evidence, effectiveness checks, and post-CAPA exposure.
U.S. FDA institutional publication — a U.S. government work, not subject to copyright (17 U.S.C. § 105).No separate caption is printed; verbatim slide title: “Modeling Pipeline and Performance Metrics.”
A data node branches to imputation, variable selection, linear-regression variants, a neural network, a Tweedie generalized linear model, a decision tree, a forest, gradient boosting, Tweedie gradient boosting, an ensemble, score-data nodes and a model composer. A comparison table reports average squared error, root average squared error and root mean absolute error for the candidate models — a quantitative comparison architecture for quality-system-effectiveness metrics, retained here because it contains a concrete performance table rather than a purely conceptual sketch.
François et al. examined all 20 experience-feedback committees in a French university-affiliated hospital over one year. The committees held 164 meetings, reviewed 1,707 adverse events, conducted 91 analyses and decided on 206 corrective actions. RCA was present in 76% of analysis reports but complete in only 23%; only 26% of corrective actions had an implementation deadline. These values show that activity volume and formal RCA presence do not imply complete causal analysis or controlled implementation.
A pharmaceutical-specific benchmarking study by Fellows et al. collected data from more than 200 global pharmaceutical manufacturing establishments. Its quality-benchmarking system included recurring deviation rate among the manufacturing KPIs and linked quality-management practices to operational performance. The study is useful as a pharmaceutical measurement bridge, but it does not provide a causal estimate that a particular recurrence-control algorithm reduces deviations.
Conclusion
The research supports a controlled recurrence-detection mechanism:
- normalize each deviation into a stable failure signature;
- search prior records before final classification and closure;
- link matched records to prior root-cause and CAPA lineage;
- distinguish implementation from effectiveness;
- evaluate effectiveness only after sufficient comparable exposure;
- treat post-CAPA recurrence in the same causal family as a potential CAPA effectiveness failure;
- aggregate repeated patterns for systemic investigation and management review.
It does not support a universal numerical claim that this architecture will reduce pharmaceutical deviations by a fixed percentage. A prospective multi-site validation study is still required.
A record number should never be the primary key for recurrence analysis; the quality system needs a persistent failure-family key, explicit matching rules, reviewer confirmation and a comparable-exposure denominator — without which every repeated deviation keeps presenting itself as a new incident.
Ten concepts distilled from the evidence
- Deviation ID ≠ failure identity. A stable failure-family identifier is required across records.
- Recurrence needs a denominator. Counts alone are not comparable without process, batch or opportunity exposure.
- Same root cause is insufficiently robust when root-cause coding is weak. Failure mode, process step, equipment, material, product/dosage form, site and causal family should be combined.
- Closure time is an administrative metric, not an effectiveness metric. It can be monitored but should not substitute for recurrence outcome.
- Training-only CAPA is a weak structural signal. It may be appropriate in some cases, but repeated reliance on training or SOP revision should trigger action-strength review.
- Implementation and effectiveness are separate states. Evidence that an action was completed does not show that the failure was prevented.
- Effectiveness requires renewed exposure. A CAPA cannot be judged before the relevant process has operated enough times under comparable conditions.
- Aggregation can be more valuable than repeated isolated RCA. Similar incidents should be analyzed thematically before launching redundant investigations.
- Human classification remains necessary. Automated similarity can prioritize candidates, but accountable reviewers must confirm the causal family.
- Prospective validation is missing. The recurrence architecture should be tested against baseline practice with pre-defined endpoints.
Application decision graph
| Step | Question | Next |
|---|---|---|
| 1. Normalization | Has the deviation been normalized into a canonical failure signature (site + product/form + process step + failure mode + root-cause family)? | No → complete classification before proceeding. Yes → next step. |
| 2. Family match | Does the signature match a prior failure family? | No → investigate as a candidate new failure mode. Yes → next step. |
| 3. RCA/CAPA lineage | Has prior RCA and CAPA lineage been retrieved and the causal family confirmed by a reviewer? | No → back to investigation as a candidate new mode. Yes → next step. |
| 4. Post-CAPA exposure | Is the CAPA active and has process exposure resumed in sufficient quantity? | No → do not declare effectiveness yet. Yes → next step. |
| 5. Recurrence decision | Has a post-CAPA event in the same causal family been confirmed? | Yes → flag recurrence / possible CAPA effectiveness failure, aggregate the trend, re-investigate at systemic scale. No → close under continued monitoring. |
| 6. Prospective window | Have the effectiveness window and denominator been set before judgment? | Feeds the evaluation of the next deviation entering the same cycle. |
Minimum controlled data model
| Field | Purpose | Control requirement |
|---|---|---|
deviation_record_id | Unique document-control identifier | Immutable |
failure_family_id | Stable cross-record failure identity | Versioned taxonomy + reviewer approval |
failure_mode_code | Observable mode of failure | Controlled vocabulary |
root_cause_family_id | Causal classification | Evidence-linked; uncertainty allowed |
product_dosage_form | Product-context matching | Master-data reference |
process_step | Location in process | Controlled process map |
equipment_asset_id | Asset-specific recurrence | Asset registry reference |
site_area_line | Organizational/physical scope | Controlled hierarchy |
capa_id | Prior action lineage | Referential integrity |
action_strength_class | Elimination, engineering, administrative, training, etc. | Defined classifier + rationale |
implementation_date | Date action became operational | Evidence attachment |
effectiveness_window | Required time or exposure before judgment | Pre-approved protocol |
exposure_count | Comparable opportunities after CAPA | Source-defined denominator |
recurrence_event | Matched post-CAPA event | Confirmed by reviewer |
match_confidence | Automated/analytical similarity score | Calibrated; not the final decision |
reviewer_decision | Confirm/reject/merge/split failure family | Signed and reconstructable |
KPI layer
Repeat deviation rate =
confirmed recurrent deviations in a stable failure family
----------------------------------------------------------
comparable deviation opportunities or process exposure
Family assignment completeness =
deviations assigned to a reviewed failure family
------------------------------------------------
all deviations eligible for recurrence analysis
CAPA effectiveness failure rate =
CAPAs with confirmed same-family recurrence after sufficient exposure
--------------------------------------------------------------------
CAPAs reaching their pre-defined effectiveness assessment point
Weak-action concentration =
CAPAs whose highest-strength action is training/document revision
-----------------------------------------------------------------
all CAPAs in the measured periodThe recommended matching approach is hybrid: deterministic matches for controlled codes and master-data identifiers; text embeddings or language models reserved for candidate retrieval and semantic similarity; temporal and exposure constraints to prevent false recurrence labels; reviewer confirmation with reason codes; periodic taxonomy review to merge duplicate families and split over-broad ones; complete lineage from source record to recurrence decision.
Missing information
- No open pharmaceutical meta-analysis was located that estimates the causal effect of deviation trending plus CAPA effectiveness checks on recurrent deviation rate.
- The strongest recurrence-effect synthesis located is healthcare RCA literature, which is adjacent rather than identical to GMP manufacturing.
- The FDA benchmarking slides are institutional and directly pharmaceutical, but the predictive display is explicitly labelled an illustration and uses Field Alert Report data as a surrogate.
- The FDA document does not expose the full training dataset, model calibration, validation cohort, or uncertainty intervals needed for independent model assessment.
- A robust operational denominator for recurrence must be selected by process type; "all deviations" may be misleading when production volume or opportunity count changes.
- Exact book pagination is edition-dependent. The cited page is tied to the 2009 Metropolitan Books edition.
Sources cited
- Fellows, M., Friedli, T., Li, Y., et al. (2022). Benchmarking the Quality Practices of Global Pharmaceutical Manufacturing to Advance Supply Chain Resilience. The AAPS Journal, 24, 111. doi.org/10.1208/s12248-022-00761-7
- François, P., Lecoanet, A., Caporossi, A., Dols, A.-M., Seigneurin, A., & Boussat, B. (2018). Experience feedback committees: A way of implementing a root cause analysis practice in hospital medical departments. PLOS ONE, 13(7), e0201067. doi.org/10.1371/journal.pone.0201067
- Gawande, A. (2009). The Checklist Manifesto: How to Get Things Right. Metropolitan Books, p. 122.
- Hibbert, P. D., Thomas, M. J. W., Deakin, A., et al. (2018). Are root cause analyses recommendations effective and sustainable? An observational study. International Journal for Quality in Health Care, 30(2), 124–131. doi.org/10.1093/intqhc/mzx181
- International Council for Harmonisation. (2008). ICH Q10 Pharmaceutical Quality System. database.ich.org
- Martin-Delgado, J., Martínez-García, A., Aranaz, J. M., Valencia-Martín, J. L., & Mira, J. J. (2020). How Much of Root Cause Analysis Translates into Improved Patient Safety: A Systematic Review. Medical Principles and Practice, 29(6), 524–531. doi.org/10.1159/000508677
- Viehmann, A. (2023). Pharmaceutical Quality System Effectiveness. U.S. Food and Drug Administration, CDER, Office of Pharmaceutical Quality, Office of Quality Surveillance. fda.gov/media/170111/download
Evidence cut-off: 20 February 2026.
Voir aussi
- Pharmaceutical Evidence-to-Decision Assurance Le mandat qui relie donnée régulée, décision et dossier d’inspection.
- Data & outillage Outils systèmes, indexation et persistance vérifiables, écrits pour durer.
- Calculateur de mission Chiffrer l’enveloppe de ce type de mission, calcul local et reproductible.