Sommaire de l’article
Un registre de risques affiche « RPN = 180, risque élevé » sur une ligne. Aucun produit nommé, aucun mécanisme de dommage patient, aucune source de preuve datée. Six mois plus tard, personne ne peut expliquer pourquoi ce risque avait été classé prioritaire, ni si la situation qui l'avait produit existe encore. Le chiffre a survécu ; la raison de son existence a disparu.
L'hypothèse de recherche du sous-sujet 8.2 est la suivante : une priorité de gestion pharmaceutique du risque qualité n'est défendable que lorsqu'elle peut être reconstruite par une chaîne continue allant du danger ou mode de défaillance identifié à un périmètre produit/CQA/procédé défini, à un mécanisme explicite de dommage patient, et à une preuve datée, versionnée, dont l'incertitude reste visible.
L'hypothèse est conditionnellement validée au niveau du mécanisme et de la qualité de décision. La preuve converge sur quatre points : l'ICH Q9(R1) fait de la connaissance scientifique et de la protection du patient la base gouvernante de l'évaluation du risque qualité ; une preuve de série temporelle de fabrication peut relier une déviation de qualité produit à des paramètres critiques de procédé nommés et à l'intervalle de temps où la déviation est apparue ; des études de qualité pharmaceutique peuvent relier des attributs qualité critiques à des effets patients explicites et à une preuve de laboratoire observée ; des études AMDEC montrent que des scores agrégés non traçables sont vulnérables aux dangers omis, à la variation d'équipe, à une validité de critère faible et à une priorisation mathématiquement ambiguë.
La littérature disponible ne fournit pas de méta-analyse pharmaceutique prospective multi-site directe comparant un enregistrement de priorité pleinement traçable à une QRM conventionnelle et mesurant les résultats de lot, de rappel, de rupture ou de patient. L'affirmation correcte est donc un soutien convergent fort, pas une preuve causale définitive.
| Sous-chapitre | Question posée | Exclu de 8.2 |
|---|---|---|
| 8.2 — Traçabilité | Reconstruire pourquoi une priorité existe et à quel produit, patient et preuve elle se réfère | La conversion en action, la gouvernance du système, l'attribution de propriétaire |
| 8.1 | Convertir un registre de risques rempli en décision possédée et close | La reconstruction de la traçabilité comme sujet principal |
| 8.3 | Insuffisance d'une communication de risque fondée sur la seule couleur | La sémantique de représentation du risque |
| 8.4 | Gouvernance organisationnelle du système de risque | La structure de gouvernance |
| 8.5 | Champs obligatoires — justification, propriétaire, voie de sortie | Le schéma de champs obligatoires |
L'ICH Q9(R1) précise que l'évaluation du risque qualité doit se fonder sur la connaissance scientifique et être in fine reliée à la protection du patient ; il identifie la subjectivité comme affectant l'identification du danger, les estimations d'occurrence, la réduction de risque et l'efficacité de la décision, et recommande de la contrôler par des outils appropriés et l'usage maximal des sources de données et de connaissance pertinentes.
Partie 1 — Tracer la priorité jusqu'au produit
Une priorité reliée au produit doit identifier l'état produit affecté, pas seulement une préoccupation de procédé générique. La chaîne minimale est : contexte lot/procédé → déviation CQA → CPP contributeurs → preuve localisée dans le temps → justification de priorité.
Nate Silver, dans The Signal and the Noise, structure l'ouvrage autour de la distinction entre signal probabiliste utile et bruit ou excès de confiance (chapitre « Desperately Seeking Signal », à partir de la p. 142) — utilisé ici comme accroche conceptuelle : une priorité de risque doit porter un signal reconstructible, pas seulement un chiffre.
Luo et al., Frontiers in Manufacturing Technology, 2024 — sous licence CC BY 4.0.« Comparison of penicillin production deviation across batches 99, 92, and 96 against golden batch standard. »
Ce que montre la figure : sur 100 lots simulés (113 934 observations), les lots 99, 92 et 96 s'écartent du lot de référence de 54,03 %, 24,05 % et 11,52 % respectivement. Le résultat CQA seul est un symptôme ; ce sont les figures suivantes du même article (contributeurs CPP classés, localisation temporelle) qui reconstituent le chemin depuis ce résultat jusqu'au paramètre de procédé contributeur et à l'intervalle temporel — exactement la chaîne que 8.2 exige pour tracer une priorité jusqu'au produit.
Cette chaîne CQA→CPP→intervalle est démontrée sur un jeu de données industriel (IndPenSim) : elle soutient la traçabilité produit/procédé, mais n'établit pas d'effet direct sur le résultat patient. Aucune méta-analyse directe de traçabilité QRM au niveau produit en fabrication pharmaceutique n'a été localisée ; la composante produit s'appuie donc sur l'exigence de connaissance scientifique de l'ICH Q9(R1), l'étude de fabrication empirique, et la chaîne explicite CQA/CPP/temps représentée dans les figures.
Partie 2 — Tracer la priorité jusqu'au patient
« Impact patient » ne doit pas rester une étiquette de sévérité générique. Une priorité traçable énonce le mécanisme par lequel l'état du produit pourrait causer un dommage, la population ou le cadre de soins affecté, et la preuve soutenant l'estimation de sévérité ou de prévalence.
Annie Duke, dans Thinking in Bets, présente un cadre de décision sous incertitude distinguant la qualité de la décision du résultat d'un seul événement (introduction p. 1, « Wanna Bet? » p. 37) — utilisé ici comme accroche : une priorité patient doit être jugée sur la qualité de son mécanisme causal déclaré, pas sur un seul résultat observé.
Getahun et al. ont testé sept échantillons périmés de fluoroquinolones pour l'identité, le dosage et la dissolution. Les sept ont passé les tests d'identité et de dosage ; un échantillon, C-002, a libéré 78,67 % à 30 min contre un critère d'au moins 80 %. L'étude relie explicitement les défaillances d'attribut qualité à des effets potentiels : une défaillance d'identité peut entraîner une maladie non traitée, une toxicité ou un échec thérapeutique ; une défaillance de dosage, une toxicité par surdosage ou les conséquences d'une dose incorrecte ; une défaillance de dissolution, un échec thérapeutique, une absorption médiocre et une biodisponibilité réduite.
Hodkinson et al., BMC Medicine, 2020 — sous licence CC BY 4.0.« Prevelance rates for preventable medication harm by healthcare system. »
Ce que montre la figure : sur 81 études et 285 687 patients, la prévalence poolée du dommage médicamenteux évitable est de 3 % (IC 95 % 2–4 %, I² = 99 %), avec l'estimation la plus élevée en gériatrie (11 %, IC 95 % 7–15 %), suivie des soins intensifs (7 %, 4–12 %), des soins spécialisés/chirurgicaux (6 %, 3–11 %) et de la médecine d'urgence (5 %, 2–12 %). L'hétérogénéité extrême interdit d'appliquer un taux poolé comme taux local universel ; elle démontre en revanche que le cadre de soins modifie matériellement la prévalence du dommage.
Le lien patient devient matériellement plus solide lorsque l'enregistrement de risque inclut à la fois le mécanisme produit-vers-dommage (par exemple : dissolution manquée → biodisponibilité réduite → échec thérapeutique) et le modificateur de population ou de cadre (par exemple : gériatrie, soins intensifs, ou une classe médicamenteuse à prévalence de dommage évitable élevée).
Partie 3 — Tracer la priorité jusqu'à la preuve
Un score agrégé n'est pas une piste de preuve. La couche de preuve doit permettre à un réviseur de reconstruire ce qui a été observé, qui en a jugé, quelle source de données a été utilisée, comment l'incertitude a été traitée, et pourquoi la priorité qui en résulte devrait être acceptée.
Kahneman, Sibony et Sunstein, dans Noise: A Flaw in Human Judgment, définissent le bruit comme la variabilité de jugements qui devraient être identiques — accroche conceptuelle directement pertinente : deux équipes qualifiées, examinant le même risque, peuvent produire des scores différents sans qu'aucune ne se trompe nécessairement.
Shebl, Franklin et Barber ont fait conduire des AMDEC par deux équipes pluridisciplinaires pour l'usage de la vancomycine et de la gentamicine, puis ont comparé les résultats à l'observation, à une revue professionnelle externe et à une base de données d'incidents.
Shebl, Franklin & Barber, BMC Health Services Research, 2012 — sous licence CC BY 2.0.« Comparing FMEA probability scores. »
Ce que montre la figure : le score de probabilité attribué par les équipes AMDEC (courbe en tirets, échelle 1–10) ne suit visuellement pas le nombre réel d'incidents rapportés sur trois ans (courbe pleine) : certains modes de défaillance cotés très haut par l'AMDEC ont peu d'incidents réels, et inversement. Sur 22 incidents éligibles, seuls 13 (59 %) correspondaient à des défaillances identifiées par les équipes AMDEC ; les corrélations entre scores AMDEC et scores de la base d'incidents étaient non significatives.
L'étude note également que 88 % de la plage nominale de RPN 1–1000 reste vide, et que seuls 120 produits sont uniques : des RPN identiques peuvent donc représenter des combinaisons matériellement différentes de sévérité, occurrence et détectabilité.
Anjalee, Rutter et Samaranayake ont fait cartographier le même procédé de dispensation par deux équipes de pharmaciens indépendantes.
Anjalee, Rutter & Samaranayake, BMC Public Health, 2021 — sous licence CC BY 4.0.« Dispensing process maps of Team A and Team B. »
Ce que montre la figure : pour le même procédé hospitalier réel, l'équipe A décompose le travail en huit étapes principales et 24 sous-procédés, l'équipe B en cinq étapes principales et 21 sous-procédés. L'équipe A identifie 48 modes de défaillance, l'équipe B 42 ; 69 des 90 entrées combinées sont communes aux deux équipes, mais elles sélectionnent des RPN maximaux différents et priorisent respectivement 36 et 30 modes de défaillance. La divergence apparaît avant même le début de la cotation du risque, dès la décomposition du procédé.
Dix concepts distillés des figures
- Lignée de priorité : chaque risque classé doit conserver le chemin depuis le danger jusqu'à l'état produit, au mécanisme patient et à la preuve.
- Preuve localisée par phase : les déviations de série temporelle doivent être rattachées à l'intervalle de procédé exact, pas seulement résumées en fin de lot.
- Lien CQA-vers-CPP : le CQA affecté et les CPP contributeurs doivent être stockés séparément.
- Spécificité du chemin de dommage : « impact patient » doit être exprimé comme un mécanisme, pas une étiquette de sévérité générique.
- Modificateurs de population : le cadre de soins, l'âge et la classe médicamenteuse peuvent altérer matériellement le contexte de dommage observé.
- Préservation des scores composants : les valeurs S/O/D, les ancrages et l'identité de l'évaluateur doivent rester visibles même lorsqu'un score agrégé est utilisé.
- Triangulation : AMDEC experte, bases d'incidents, résultats de laboratoire et données de procédé répondent à des questions différentes et doivent être recoupés.
- Détection de danger manquant : l'absence d'un danger dans un registre issu d'atelier n'est pas une preuve d'absence.
- Contrôle de la variation de jugement : des équipes indépendantes peuvent cartographier et classer le même procédé différemment ; le désaccord est une donnée à enregistrer.
- Priorité révisable : une priorité doit porter des dates de preuve, un niveau de confiance et des déclencheurs de réévaluation.
Une priorité n'est traçable jusqu'à la preuve que si celle-ci peut être inspectée indépendamment et son incertitude reconstruite : « risque élevé » sans identité de source, période de données, échantillon, échelle, évaluateur ni justification n'est pas une priorité QRM contrôlée.
Enregistrement minimal viable de traçabilité de priorité QRM
| Champ | Contenu requis | Test d'acceptation |
|---|---|---|
| ID du risque | Identifiant unique stable | Résout vers un seul enregistrement contrôlé |
| Danger/mode de défaillance | Événement ou condition spécifique | Formulation observable ou testable |
| Périmètre produit | Produit, dosage, lot/matériau/procédé/équipement | Pas d'« impact produit » générique |
| CQA/conséquence qualité | Attribut, spécification ou état de référence | Source et version énoncées |
| Chemin de dommage patient | Mécanisme de la condition qualité au dommage | Chaîne causale explicite ou incertitude marquée |
| Population/contexte | Marché, sous-groupe, cadre de soins, exposition | Portée bornée |
| Sources de preuve | IDs/liens vers procédé, laboratoire, réclamation, déviation, littérature ou incidents | Chaque source est récupérable |
| Métadonnées de preuve | Version, date, propriétaire, échantillon, fenêtre temporelle, méthode | Un réviseur indépendant peut reconstruire |
| Évaluation brute | Sévérité, occurrence, détectabilité ou méthode alternative | Ancrages d'échelle et évaluateur conservés |
| Incertitude | Données manquantes, hypothèses, preuve contradictoire | Confiance visible |
| Justification de priorité | Pourquoi ce risque prime sur les alternatives maintenant | Référence produit, patient et preuve |
Graphe de décision d'application
| Étape | Question | Suite |
|---|---|---|
| 1. Périmètre produit | Un périmètre produit/CQA défini existe-t-il ? | Non → observation non cadrée, collecter la preuve produit. Oui → étape suivante. |
| 2. Chemin patient | Un chemin explicite de dommage patient est-il énoncé ? | Non → classer comme risque opérationnel/business ou documenter l'absence de lien patient. Oui → étape suivante. |
| 3. Preuve récupérable | La preuve est-elle récupérable et datée ? | Non → priorité provisoire seulement. Oui → étape suivante. |
| 4. Évaluation brute | L'évaluation brute, l'échelle, l'évaluateur et l'incertitude sont-ils enregistrés ? | Étape suivante. |
| 5. Accord indépendant | La preuve indépendante concorde-t-elle ? | Non → enregistrer le désaccord, trianguler, réviser la confiance. Oui → approuver la justification de priorité traçable. |
Informations manquantes
- Aucune méta-analyse directe n'a été localisée sur l'intervention exacte : un enregistrement de traçabilité produit-patient-preuve en QRM de fabrication pharmaceutique.
- Aucune étude prospective multi-site n'a été localisée quantifiant l'effet de cette architecture de traçabilité sur la perte de lot, le rappel, la rupture ou les résultats patient.
- Le jeu de données de fabrication démontre la traçabilité produit/procédé mais pas un résultat patient.
- L'étude sur les fluoroquinolones fournit une correspondance directe CQA-dommage mais ne porte que sur sept échantillons.
- La méta-analyse de dommage médicamenteux présente une hétérogénéité très élevée et ne peut fournir un taux de risque local universel.
- Les études de validité AMDEC portent sur des procédés de soins, pas des études de validation de fabrication pharmaceutique.
Sources citées
- Anjalee, J. A. L., Rutter, V., & Samaranayake, N. R. (2021). Application of failure mode and effects analysis (FMEA) to improve medication safety in the dispensing process – a study at a teaching hospital, Sri Lanka. BMC Public Health, 21, 1430. doi.org/10.1186/s12889-021-11369-5
- Duke, A. (2018). Thinking in Bets: Making Smarter Decisions When You Don't Have All the Facts. Penguin.
- Getahun, H., Belew, S., Hasen, G., Tefera, G., Mekasha, Y. T., & Suleman, S. (2024). Quality evaluation of selected expired fluoroquinolones medicines obtained from the public hospitals in Jimma zone, Oromia regional state, Ethiopia. Frontiers in Medicine, 11, 1420146. doi.org/10.3389/fmed.2024.1420146
- Hodkinson, A., Tyler, N., Ashcroft, D. M., et al. (2020). Preventable medication harm across health care settings: a systematic review and meta-analysis. BMC Medicine, 18, 313. doi.org/10.1186/s12916-020-01774-9
- International Council for Harmonisation / U.S. Food and Drug Administration. (2022). Quality Risk Management, ICH Q9(R1) [training presentation]. fda.gov/media/165163/download
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Hachette UK.
- Luo, D. L., He, M., Darko, J., et al. (2024). The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process. Frontiers in Manufacturing Technology, 4, 1392038. doi.org/10.3389/fmtec.2024.1392038
- Shebl, N. A., Franklin, B. D., & Barber, N. (2012). Failure mode and effects analysis outputs: are they valid? BMC Health Services Research, 12, 150. doi.org/10.1186/1472-6963-12-150
- Silver, N. (2012). The Signal and the Noise: Why So Many Predictions Fail—but Some Don't. Penguin.
Date limite de preuve : 20 février 2026.
A risk register shows "RPN = 180, high risk" on a row. No named product, no patient-harm mechanism, no dated evidence source. Six months later, nobody can explain why this risk was ranked a priority, or whether the situation that produced it still exists. The number survived; the reason for its existence did not.
Subtopic 8.2's research hypothesis is: a pharmaceutical Quality Risk Management priority is defensible only when it can be reconstructed through a continuous chain from the identified hazard or failure mode to a defined product/CQA/process scope, an explicit patient-harm pathway, and dated, versioned evidence with visible uncertainty.
The hypothesis is conditionally validated at the mechanism and decision-quality level. The evidence converges on four points: ICH Q9(R1) makes scientific knowledge and patient protection the governing basis of quality-risk evaluation; manufacturing time-series evidence can connect a product-quality deviation to named critical process parameters and the time interval in which the deviation emerged; pharmaceutical-quality studies can connect critical quality attributes to explicit patient effects and observed laboratory evidence; FMEA studies show that untraceable aggregate scores are vulnerable to omitted hazards, team variation, poor criterion validity and mathematically ambiguous prioritisation.
The available literature does not provide a direct prospective, multi-site pharmaceutical-manufacturing meta-analysis comparing a fully traceable priority record against conventional QRM and measuring batch, recall, shortage or patient outcomes. The correct claim is therefore strong convergent support, not definitive causal proof.
| Subtopic | Question asked | Excluded from 8.2 |
|---|---|---|
| 8.2 — Traceability | Reconstructing why a priority exists and which product, patient and evidence it refers to | Conversion to action, system governance, owner assignment |
| 8.1 | Converting a populated risk register into an owned, closed decision | Traceability reconstruction as the main subject |
| 8.3 | Inadequacy of colour-only risk communication | The semantics of risk representation |
| 8.4 | Organizational governance of the risk system | The governance structure |
| 8.5 | Mandatory fields — rationale, owner, exit path | The mandatory-field schema |
ICH Q9(R1) states that quality-risk evaluation should be based on scientific knowledge and ultimately linked to patient protection; it identifies subjectivity as affecting hazard identification, occurrence estimates, risk reduction and decision effectiveness, and recommends controlling it through proper tools and maximum use of relevant data and knowledge sources.
Part 1: Trace the priority to the product
A product-linked priority must identify the affected product state, not merely a generic process concern. The minimum chain is: batch/process context → CQA deviation → contributing CPPs → time-localized evidence → priority rationale.
Nate Silver's The Signal and the Noise frames the book around distinguishing useful probabilistic signal from noise and overconfidence (chapter "Desperately Seeking Signal," beginning p. 142) — used here as a conceptual hook: a risk priority must carry a reconstructable signal, not just a number.
Luo et al., Frontiers in Manufacturing Technology, 2024 — licensed CC BY 4.0.“Comparison of penicillin production deviation across batches 99, 92, and 96 against golden batch standard.”
What the figure shows: across 100 simulated batches (113,934 observations), batches 99, 92 and 96 deviate from the reference batch by 54.03%, 24.05% and 11.52% respectively. The CQA result alone is a symptom; it is this same paper's further figures (ranked CPP contributors, time localization) that reconstruct the path from that result to the contributing process parameter and the time interval — exactly the chain 8.2 requires to trace a priority to the product.
This CQA→CPP→interval chain is demonstrated on an industrial dataset (IndPenSim): it supports product/process traceability, but does not establish a direct patient-outcome effect. No direct meta-analysis of product-level QRM traceability in pharmaceutical manufacturing was located; the product component is therefore supported by ICH Q9(R1)'s scientific-knowledge requirement, the empirical manufacturing study, and the explicit CQA/CPP/time chain represented in the figures.
Part 2: Trace the priority to the patient
"Patient impact" should not remain a generic severity label. A traceable priority states the mechanism by which the product condition could cause harm, the population or care setting affected, and the evidence supporting the severity or prevalence estimate.
Annie Duke's Thinking in Bets presents a decision-under-uncertainty framework distinguishing decision quality from the outcome of a single event (introduction p. 1, "Wanna Bet?" p. 37) — used here as a hook: a patient priority should be judged on the quality of its stated causal mechanism, not on a single observed outcome.
Getahun et al. tested seven expired fluoroquinolone samples for identity, assay and dissolution. All seven passed identity and assay; one sample, C-002, released 78.67% at 30 min against a stated criterion of at least 80%. The study explicitly maps quality-attribute failures to potential effects: an identity failure to untreated disease, toxicity or treatment failure; an assay failure to toxicity from overdose and the consequences of incorrect dose; a dissolution failure to treatment failure, poor absorption and reduced bioavailability.
Hodkinson et al., BMC Medicine, 2020 — licensed CC BY 4.0.“Prevelance rates for preventable medication harm by healthcare system.”
What the figure shows: across 81 studies and 285,687 patients, the pooled prevalence of preventable medication harm is 3% (95% CI 2–4%, I² = 99%), with the highest setting estimate in elderly care (11%, 95% CI 7–15%), followed by ICU (7%, 4–12%), specialised/surgical care (6%, 3–11%) and emergency medicine (5%, 2–12%). Extreme heterogeneity forbids applying a pooled rate as a universal local rate; it does show that the care setting materially changes harm prevalence.
The patient link becomes materially stronger when the risk record includes both the product-to-harm mechanism (e.g. failed dissolution → reduced bioavailability → treatment failure) and the population or setting modifier (e.g. elderly care, ICU, or a medication class with elevated preventable-harm prevalence).
Part 3: Trace the priority to the evidence
An aggregate score is not an evidence trail. The evidence layer must allow a reviewer to reconstruct what was observed, who judged it, which data source was used, how uncertainty was handled, and why the resulting priority should be accepted.
Kahneman, Sibony and Sunstein's Noise: A Flaw in Human Judgment defines noise as variability in judgments that should be identical — a directly relevant hook: two qualified teams examining the same risk can produce different scores without either necessarily being wrong.
Shebl, Franklin and Barber had two multidisciplinary teams conduct FMEAs for vancomycin and gentamicin use, then compared the outputs with observation, external professional review and an incident-report database.
Shebl, Franklin & Barber, BMC Health Services Research, 2012 — licensed CC BY 2.0.“Comparing FMEA probability scores.”
What the figure shows: the FMEA-assigned probability score (dashed line, 1–10 scale) does not visually track the actual three-year incident count (solid line): some failure modes rated very high by the FMEA have few real incidents, and vice versa. Of 22 eligible incidents, only 13 (59%) matched failures identified by the FMEA teams; correlations between FMEA scores and incident-database scores were non-significant.
The study also notes that 88% of the nominal 1–1000 RPN range is empty, and that only 120 products are unique: identical RPNs can therefore represent materially different combinations of severity, occurrence and detectability.
Anjalee, Rutter and Samaranayake had two independent pharmacist teams map the same dispensing process.
Anjalee, Rutter & Samaranayake, BMC Public Health, 2021 — licensed CC BY 4.0.“Dispensing process maps of Team A and Team B.”
What the figure shows: for the same real hospital process, Team A decomposes the work into eight main steps and 24 sub-processes, Team B into five main steps and 21 sub-processes. Team A identifies 48 failure modes, Team B 42; 69 of the 90 combined entries are common to both teams, but they select different highest RPNs and prioritize 36 versus 30 failure modes respectively. The divergence appears before risk scoring even begins, at the process-decomposition stage.
Ten concepts distilled from the figures
- Priority lineage: every ranked risk should retain the route from hazard to product state, patient mechanism and evidence.
- Phase-localized evidence: time-series deviations should be tied to the exact process interval rather than summarized only at batch end.
- CQA-to-CPP linkage: the affected CQA and the contributing CPPs should be stored separately.
- Harm-pathway specificity: "patient impact" should be expressed as a mechanism, not a generic severity label.
- Population modifiers: setting, age and medication class can materially alter the observed harm context.
- Component-score preservation: S/O/D values, anchors and scorer identity should remain visible even when an aggregate score is used.
- Triangulation: expert FMEA, incident databases, laboratory results and process data answer different questions and should be cross-checked.
- Missing-hazard detection: absence from a workshop-derived risk register is not evidence of absence.
- Judgment-variation control: independent teams can map and rank the same process differently; disagreement is data that must be recorded.
- Revisable priority: a priority should carry evidence dates, confidence and triggers for reassessment.
A priority is evidence-traceable only if its evidence can be independently inspected and its uncertainty reconstructed: "high risk" without source identity, data period, sample, scale, scorer and rationale is not a controlled QRM priority.
Minimum viable QRM priority traceability record
| Field | Required content | Acceptance test |
|---|---|---|
| Risk ID | Stable unique identifier | Resolves to one controlled record |
| Hazard/failure mode | Specific event or condition | Observable or testable wording |
| Product scope | Product, strength, batch/material/process/equipment | No generic "product impact" |
| CQA/quality consequence | Attribute, specification or reference state | Source and version stated |
| Patient-harm pathway | Mechanism from quality condition to harm | Explicit causal chain or marked uncertainty |
| Population/context | Market, subgroup, care setting, exposure | Scope is bounded |
| Evidence sources | IDs/links for process, laboratory, complaint, deviation, literature or incident data | Each source is retrievable |
| Evidence metadata | Version, date, owner, sample, time window, method | Independent reviewer can reconstruct |
| Raw assessment | Severity, occurrence, detectability or alternative method | Scale anchors and scorer retained |
| Uncertainty | Missing data, assumptions, contradictory evidence | Confidence is visible |
| Priority rationale | Why this risk outranks alternatives now | References product, patient and evidence |
Application decision graph
| Step | Question | Next |
|---|---|---|
| 1. Product scope | Is a defined product/CQA scope present? | No → hold as unscoped observation, collect product evidence. Yes → next step. |
| 2. Patient pathway | Is an explicit patient-harm pathway stated? | No → classify as operational/business risk or document why no patient link exists. Yes → next step. |
| 3. Retrievable evidence | Is the evidence retrievable and dated? | No → provisional priority only. Yes → next step. |
| 4. Raw assessment | Are the raw assessment, scale, scorer and uncertainty recorded? | Next step. |
| 5. Independent agreement | Does independent evidence agree? | No → record disagreement, triangulate, revise confidence. Yes → approve the traceable priority rationale. |
Missing information
- No direct meta-analysis was located on the exact intervention: a product-patient-evidence traceability record in pharmaceutical-manufacturing QRM.
- No prospective multi-site study was located that quantified the effect of this traceability architecture on batch loss, recall, shortage or patient outcomes.
- The manufacturing dataset demonstrates product/process traceability but not a patient endpoint.
- The fluoroquinolone study provides a direct CQA-harm mapping but has only seven samples.
- The medication-harm meta-analysis has very high heterogeneity and cannot supply a universal local risk rate.
- FMEA validity studies are healthcare-process studies, not pharmaceutical-manufacturing validation studies.
Sources cited
- Anjalee, J. A. L., Rutter, V., & Samaranayake, N. R. (2021). Application of failure mode and effects analysis (FMEA) to improve medication safety in the dispensing process – a study at a teaching hospital, Sri Lanka. BMC Public Health, 21, 1430. doi.org/10.1186/s12889-021-11369-5
- Duke, A. (2018). Thinking in Bets: Making Smarter Decisions When You Don't Have All the Facts. Penguin.
- Getahun, H., Belew, S., Hasen, G., Tefera, G., Mekasha, Y. T., & Suleman, S. (2024). Quality evaluation of selected expired fluoroquinolones medicines obtained from the public hospitals in Jimma zone, Oromia regional state, Ethiopia. Frontiers in Medicine, 11, 1420146. doi.org/10.3389/fmed.2024.1420146
- Hodkinson, A., Tyler, N., Ashcroft, D. M., et al. (2020). Preventable medication harm across health care settings: a systematic review and meta-analysis. BMC Medicine, 18, 313. doi.org/10.1186/s12916-020-01774-9
- International Council for Harmonisation / U.S. Food and Drug Administration. (2022). Quality Risk Management, ICH Q9(R1) [training presentation]. fda.gov/media/165163/download
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Hachette UK.
- Luo, D. L., He, M., Darko, J., et al. (2024). The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process. Frontiers in Manufacturing Technology, 4, 1392038. doi.org/10.3389/fmtec.2024.1392038
- Shebl, N. A., Franklin, B. D., & Barber, N. (2012). Failure mode and effects analysis outputs: are they valid? BMC Health Services Research, 12, 150. doi.org/10.1186/1472-6963-12-150
- Silver, N. (2012). The Signal and the Noise: Why So Many Predictions Fail—but Some Don't. Penguin.
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.