Le modèle a été validé, il fonctionne, tout le monde est passé à autre chose. Dix-huit mois plus tard, il se trompe. Et rien dans le système ne l’a signalé.
C’est la seconde vie d’un projet de mesure en ligne, celle dont on parle rarement avant de la vivre. La première année se passe bien : le modèle a été construit sur des lots récents, la matière première n’a pas changé, l’instrument est neuf. Puis le fournisseur d’excipient change de site. La lampe vieillit. La fenêtre s’encrasse. Une nouvelle équipe prend le poste et présente l’échantillon autrement.
Aucun de ces événements ne déclenche d’alarme. Le modèle continue de rendre une valeur, dans la bonne unité, au bon ordre de grandeur, à la bonne cadence. Simplement, elle est fausse.
La question à poser avant d’acheter tient en une ligne. Que se passe-t-il le jour où le modèle dérive, et qui s’en aperçoit ?
En bref
Un plan de surveillance écrit avant la mise en service, en quatre réponses : quelles statistiques (au minimum le T² de Hotelling et le résidu Q à chaque mesure), à quelle fréquence de revue, qui les regarde, nommément, et quel seuil déclenche quoi. Une dérive se voit sur les résidus, pas sur la valeur prédite : un modèle hors domaine rend des valeurs parfaitement plausibles.
Un modèle ne vieillit pas, son monde change
Un modèle calibré sur échantillons est une relation apprise sur une population d’échantillons, à un moment donné. Il reste exact tant que le process ressemble à ce qu’il était pendant la calibration. Ce qui l’en éloigne le rend faux sans le prévenir.
- La matière première. Un changement de fournisseur, ou de site de fabrication chez le même fournisseur, modifie la granulométrie, la cristallinité ou l’humidité d’entrée. Le spectre change avec.
- La saison. L’hygrométrie de l’atelier, la température du réseau d’eau glacée, la qualité d’un intrant agricole. Des variables lentes que douze mois de calibration ne couvrent pas toujours.
- La source lumineuse. Une lampe vieillit, son spectre d’émission se déforme, son intensité baisse. Dérive continue et régulière, la plus prévisible de toutes. Et l’une des moins surveillées.
- La fenêtre ou la sonde. L’encrassement modifie l’intensité reçue et parfois la ligne de base, lot après lot, sans jamais franchir de seuil visible.
- L’opérateur. Là où une présentation manuelle intervient, tassement, épaisseur, positionnement, un changement d’équipe déplace la mesure.
- L’équipement. Une pale remplacée, un tamis changé, une vitesse d’agitation modifiée après optimisation : le process s’améliore, le modèle décroche.
Le référentiel le formule pour la fabrication continue, et l’observation vaut partout : ICH Q13 (16 novembre 2022, § 3.1.3) écrit que les matières entrantes peuvent demander l’évaluation et la maîtrise d’attributs au-delà de ceux qu’une spécification de fabrication par lots retient habituellement — taille de particule, cohésivité, adhésivité, hygroscopicité, charge statique, surface spécifique. Ce que la fabrication continue demande à la mesure.
Trois dérives, trois traitements différents
Le mot « dérive » recouvre trois situations qui n’appellent pas les mêmes gestes. Les confondre conduit à recalibrer un modèle alors qu’il fallait nettoyer une fenêtre, ou l’inverse.
| Ce qui a bougé | À quoi on le reconnaît | Ce que cela appelle |
|---|---|---|
| L’instrument | La dérive apparaît aussi sur un matériau de contrôle stable. Elle est continue et affecte tous les produits mesurés sur cet appareil | Maintenance, nettoyage, remplacement de source, vérification de l’échelle des longueurs d’onde. Pas de recalibration |
| Le process | Le matériau de contrôle reste stable, mais les spectres produit s’éloignent du domaine de calibration. Souvent lié à un événement datable | Une investigation process. Le modèle n’est pas en cause : il signale qu’on lui présente autre chose |
| Le modèle | Instrument et process sont stables, mais l’écart entre valeurs prédites et valeurs de référence se creuse ou se biaise | Enrichissement du jeu de calibration, voire reconstruction. Le seul cas qui justifie une recalibration |
Le diagnostic passe par les résidus, pas par la valeur prédite. C’est le point technique le plus utile de cette page, et le moins intuitif.
Une valeur prédite qui reste dans les limites ne prouve rien : un modèle hors domaine rend des valeurs parfaitement plausibles. Ce qui trahit la dérive, ce sont les indicateurs décrivant la position de l’échantillon par rapport au modèle. La distance au centre, dite T² de Hotelling, qui dit si l’échantillon ressemble à ceux de la calibration. Et le résidu spectral, dit résidu Q, qui dit si le modèle a su expliquer ce spectre. Un T² qui grimpe signale un produit atypique mais reconnaissable. Un résidu Q qui grimpe signale quelque chose que le modèle n’a jamais vu. Ces deux statistiques se surveillent en continu. La valeur prédite, elle, ne se surveille pas toute seule.
Ce que les logiciels fournissent, et ce qu’ils vous laissent
Les briques existent, le déclencheur est là où se trouve le travail
Nous avons dépouillé la documentation produit de suites de chimiométrie industrielle. Les briques de surveillance y sont présentes. T² de Hotelling et résidus Q en temps réel, graphiques d’influence pour identifier les variables responsables, alarmes remontées vers la supervision, blocs glissants pour fixer les seuils sur une période de référence. Du bon outillage.
Le déclencheur de recalibration et le suivi de performance du modèle en production se construisent autour de ces outils. Le logiciel donne les instruments de mesure de la santé du modèle. La règle de décision — quand elle se dégrade, sur quel critère, et que faire ensuite — s’écrit dans votre procédure, et nous la construisons avec vous.
Ce que le projet d’annexe 22 en ferait une obligation
Tout ce qui précède se présente aujourd’hui comme une bonne pratique. Un texte en préparation lui donnerait un statut différent.
Du 7 juillet au 7 octobre 2025, la Commission européenne a mis en consultation une nouvelle annexe 22 d’EudraLex consacrée à l’intelligence artificielle, rédigée conjointement par le groupe des inspecteurs de l’EMA et le PIC/S. Rien n’est adopté. Mais son périmètre vise les modèles qui ont acquis leur fonctionnalité « through training with data, rather than being explicitly programmed », statiques et à sortie déterministe, employés dans des applications critiques « e.g. to predict or classify data ». Un modèle chimiométrique coche ces critères, et le projet ne prévoit aucune exclusion pour la chimiométrie. Le détail, et ce qui reste à votre charge.
Ce que le projet demanderait recoupe très largement cette page : surveillance régulière de la performance selon des métriques définies, surveillance du maintien des données d’entrée dans le domaine du modèle — c’est exactement le rôle du T² de Hotelling et du résidu Q —, contrôle des changements et du paramétrage, et revue humaine avec conservation des enregistrements. Un site qui a déjà écrit son plan de surveillance n’aurait presque rien à changer. Un site qui ne l’a pas fait découvrirait l’exigence et la dérive en même temps.
Deux points feraient exception, et ils méritent d’être nommés maintenant. L’indépendance du jeu de test : le projet demande que les personnes ayant développé et entraîné le modèle « have never had access to the test data », avec contrôle d’accès et piste d’audit sur ce jeu — or c’est presque toujours le même chimiométricien qui construit et qui teste. Et l’explicabilité : le projet demande d’enregistrer quelles variables ont contribué à une prédiction donnée, ce qui met une pression supplémentaire sur les modèles non interprétables évoqués plus bas. Statut vérifié le 20 septembre 2026 : consultation close, aucune adoption.
Un plan de surveillance tient en quatre questions
Un plan de surveillance tient sur une page et répond à quatre questions. Il s’écrit avant la mise en service, pas après le premier incident.
- Quelles statistiques ? Au minimum le T² de Hotelling et le résidu Q à chaque mesure. Puis, à intervalle défini, l’écart entre valeurs prédites et valeurs de référence du laboratoire, sur un petit nombre d’échantillons.
- À quelle fréquence ? Les statistiques par mesure sont continues. Leur revue doit avoir une périodicité écrite, mensuelle, trimestrielle ou par campagne. Une surveillance sans revue programmée n’est qu’un historique.
- Qui les regarde ? La question qui tue les plans de surveillance. Un tableau de bord s’ouvre quand quelqu’un en a nominativement la charge. Il faut un nom, une suppléance, un temps alloué.
- Quel seuil déclenche quoi ? Trois niveaux suffisent. Un seuil d’alerte qui déclenche une observation renforcée, un seuil d’action qui déclenche une investigation, et une règle de sortie : une proportion de lots hors limites au-delà de laquelle une recalibration est instruite. Chaque seuil se justifie sur une période de référence, il ne se choisit pas à l’estime.
Ce plan se construit pendant l’intégration, pas en exploitation. C’est aussi le moment de prévoir l’entretien du jeu d’échantillons qui servira aux mises à jour, et le transfert du modèle vers un second instrument. Enfin, plus la détection d’une dérive est tardive, plus la période de production à réexaminer est longue. La surveillance a une valeur économique, pas seulement documentaire.
L’effort d’analyses de référence n’est pas constant. Il se concentre sur la construction et la validation du modèle. En routine, il ne reste que les analyses de surveillance prévues par ce plan, resserrées seulement quand un indicateur alerte. La méthode de laboratoire garde son rôle : c’est elle qui confirme le modèle, pas l’inverse.
Recalibrer en environnement réglementé est plus qu’un geste technique
Modifier un modèle validé, c’est modifier une méthode analytique. Trois points se règlent avant, jamais pendant.
Qui décide
La décision relève du système de gestion des changements, pas du chimiométricien qui constate la dérive. Il faut savoir à l’avance qui propose, qui évalue l’impact, qui approuve et qui autorise le retour en service. Contrôle qualité, production et assurance qualité sont concernés. Une décision prise par un seul des trois se paie à l’audit suivant.
Quelle documentation
Un protocole écrit avant l’opération, les données qui ont motivé la décision, la traçabilité des échantillons ajoutés, la comparaison des performances avant et après, une version du modèle identifiée et archivée. Les principes ALCOA+ s’appliquent au modèle comme à toute donnée : l’ancienne version doit rester restituable.
Quel impact sur la validation
Tout n’entraîne pas une revalidation complète. Ajouter des échantillons dans le domaine déjà couvert n’a pas la même portée qu’étendre la gamme ou changer les prétraitements. ICH Q2(R2) et Q14 donnent le cadre, ICH Q12 la logique de gestion des changements après autorisation. Ce classement se prépare à la validation initiale, pas le jour de l’incident. Et la période de mise à jour elle-même se prépare : ce qui prend le relais pendant qu’un modèle change de version.
« Si je recalibre, faut-il redéposer un dossier ? » — la réponse se lit sur deux axes
La guidance FDA d’août 2021 sur les procédures analytiques NIR répond par un tableau. Le régime de déclaration se lit au croisement de l’impact du changement sur la performance de la méthode et de son impact sur la qualité du produit.
| Ce que cela demande | Dans quel cas |
|---|---|
| Rien à déclarer, le système qualité suffit | Le changement pèse peu sur la performance de la méthode, et la qualité du produit n’est pas en jeu. |
| Rapport annuel | Il pèse modérément sur la méthode sans que le produit soit en jeu — ou peu sur la méthode alors qu’il l’est. |
| Déclaration à trente jours | Il pèse fortement sur la méthode sans que le produit soit en jeu — ou modérément alors qu’il l’est. |
| Approbation préalable | Il pèse fortement sur la méthode, et la qualité du produit est en jeu. |
Ce que cela donne en pratique : remplacer un analyseur, quand cela impose un nouveau modèle sur une méthode qui sert à libérer, demande une approbation préalable. Le même remplacement sur une mesure de pilotage reste dans votre système qualité. Le niveau d’ambition choisi au départ fixe le coût de chaque recalibration à venir, et c’est une bonne raison de le choisir en connaissance de cause.
Le cas particulier des modèles non linéaires
Performants, et deux points à régler avant l’achat
Les machines à vecteurs de support (SVM) et les arbres de décision boostés apparaissent de plus en plus dans les offres logicielles, et ils tiennent leur promesse. Sur des relations franchement non linéaires, ils font mieux qu’une régression linéaire multivariée. Deux réserves, lourdes en environnement réglementé.
D’une part, ils ne sont pas interprétables : on ne peut pas montrer quelle bande spectrale porte la prédiction. La spécificité reste démontrable — ICH Q2(R2) admet de l’établir par l’absence d’interférence ou par comparaison à une procédure orthogonale, deux voies qui n’exigent pas d’ouvrir le modèle. Ce qui se perd, c’est la troisième voie que le même texte ouvre : la justification par la technologie elle-même, réservée aux cas où la physique de la mesure garantit la spécificité. La démonstration redevient entièrement expérimentale. D’autre part, ils ne produisent nativement ni T² de Hotelling ni résidu Q : les deux statistiques sur lesquelles repose tout ce qui précède. Sans détection de domaine ajoutée explicitement, un tel modèle ne peut pas signaler qu’on lui présente un échantillon jamais vu. Les déployer en GMP sans traiter ce point est une prise de risque : évitable, mais à nommer avant l’achat plutôt que devant un inspecteur.
Questions fréquentes
À quelle fréquence faut-il recalibrer un modèle ?
Il n’existe pas de périodicité universelle, et une périodicité fixe est même une mauvaise idée. Elle fait recalibrer les modèles qui vont bien et laisse dériver ceux qui vont mal. La règle doit être conditionnelle. On recalibre quand la surveillance le déclenche, selon des seuils définis à l’avance. Ce qui est périodique, c’est la revue, pas la recalibration.
Comment savoir si la dérive vient de l’instrument ou du process ?
Par un matériau de contrôle stable, indépendant du produit, mesuré à intervalle régulier. S’il dérive, l’instrument est en cause. S’il reste stable alors que les spectres produit s’éloignent, c’est le process ou la matière première. Ce contrôle coûte peu et tranche en quelques minutes, encore faut-il l’avoir mis en place avant d’en avoir besoin.
Peut-on automatiser la mise à jour du modèle ?
Techniquement oui, mais en environnement réglementé un modèle qui se met à jour seul soulève une difficulté sérieuse. La version utilisée pour libérer un lot doit être identifiée, approuvée et restituable. Une mise à jour automatique non gouvernée revient à changer une méthode analytique sans contrôle du changement. L’automatisation utile porte sur la détection, pas sur la correction.
Faut-il un chimiométricien en interne pour tenir tout cela ?
Pas nécessairement à plein temps, mais il faut une compétence identifiée, disponible et formée. En interne ou par contrat. Le pire montage : un modèle livré par un tiers, que nul sur site ne sait lire, et un contrat de maintenance qui ne couvre que le matériel. Point à instruire au cadrage. Il relève autant de la formation que de la technique.
Posez la question rarement posée à l’achat : que se passe-t-il le jour où le modèle dérive, et qui s’en aperçoit ?
Quarante-cinq minutes suffisent : ce que votre installation surveille réellement aujourd’hui, ce qui manque pour détecter une dérive avant qu’elle ne coûte un lot, et si votre dispositif actuel a besoin d’être complété.