Cyfrowa stabilność procesów w produkcji farmaceutycznej. Jak analiza danych procesowych i AI pomagają zapobiegać odchyleniom jakościowym

W produkcji farmaceutycznej stabilność procesu nie jest „opcją” ani dodatkiem do systemu jakości – jest warunkiem koniecznym, aby wytwarzać produkt bezpieczny, powtarzalny i zgodny ze specyfikacją – recepturą. Jest to wynikiem charakteru tej branży: leki i produkty farmaceutyczne podlegają rygorystycznym wymaganiom GMP, a każda partia musi spełniać ściśle określone parametry jakościowe i dodatkowo podlega rygorystycznym kontrolą jakościowym. W praktyce oznacza to, że nawet niewielkie wahania temperatury, czasu mieszania, prędkości dozowania czy warunków środowiskowych mogą przełożyć się na zmianę właściwości produktu – a w konsekwencji na konieczność wstrzymania partii, dodatkowe badania lub działania korygujące. Dla organizacji jest to nie tylko problem techniczny, lecz także biznesowy: odchylenia jakościowe (OOS, OOT) uruchamiają kosztowny łańcuch zdarzeń, często kończący się postępowaniem wyjaśniającym, dokumentacją i wdrożeniem CAPA. W skrajnych przypadkach w grę wchodzą opóźnienia dostaw, ryzyko wycofań oraz straty wizerunkowe – a te bywają trudniejsze do odrobienia niż koszty samej produkcji.

Co ważne, największym wyzwaniem nie są dziś awarie maszyn, które łatwo zauważyć. W praktyce znacznie częściej problemem jest „cichy dryf – ucieczka” procesu: drobne, narastające zmiany parametrów, które przez dłuższy czas mieszczą się w dopuszczalnych granicach, ale stopniowo oddalają proces od stanu optymalnego – w szczególności staje się to uciążliwe w rozwiązaniach, które na bieżąco korygują parametry bazowe. Tego typu zmiany bywają niewidoczne w codziennej pracy – szczególnie wtedy, gdy ocena opiera się głównie na kontroli końcowej lub pojedynczych pomiarach wykonywanych co pewien czas. W efekcie organizacja dowiaduje się o problemie dopiero „po fakcie”, gdy pojawiają się wyniki graniczne, odchylenia jakościowe albo wzrost liczby reklamacji.

Dlatego część zakładów farmaceutycznych przechodzi od podejścia reaktywnego – czyli reagowania na problemy dopiero po ich wystąpieniu – do podejścia predykcyjnego, opartego na danych i analizie trendów. W praktyce oznacza to wykorzystanie danych z automatyki (PLC/SCADA), systemów produkcyjnych (MES), laboratoriów (LIMS), a coraz częściej także czujników IoT czy narzędzi analitycznych, które potrafią zarejestrować sygnały ostrzegawcze wcześniej niż człowiek. Celem wszelkich działań związanych z transformacją czy automatyzacją procesów nie jest modna obecnie „cyfryzacja”, lecz realna poprawa stabilności procesu: szybsze wykrywanie odchyleń, ograniczenie strat oraz lepsza przewidywalność produkcji. Niniejsze opracowanie ma przedstawić, jak buduje się taką cyfrową stabilność krok po kroku – od danych, przez analizę, aż po decyzje operacyjne, które mają konkretne znaczenie dla jakości i kosztów.

Źródła danych produkcyjnych w nowoczesnym zakładzie farmaceutycznym – „cyfrowy ślad procesu/ produktu”

Nowoczesny zakład farmaceutyczny jest w praktyce „fabryką danych”. Każdy etap wytwarzania – od przygotowania surowców, przez mieszanie, granulację, tabletkowanie, aż po pakowanie – zostawia po sobie zestaw danych – śladów cyfrowych. Problem nie polega na braku danych, lecz na tym, że dane są często rozproszone, zapisane w różnych systemach i mają różną jakość oraz brakuje standardów. Żeby mówić o stabilności procesu w ujęciu cyfrowym, trzeba najpierw zrozumieć, skąd dane pochodzą (ich kontekst) i które z nich są naprawdę przydatne.

Podstawowym źródłem danych są sterowniki PLC i systemy sterowania, czyli sterowniki maszyn. To one nadzorują proces od środka, nadzorują stany zaworów, rejestrują sygnały z czujników, przepływy, ciśnienia, temperatury, sygnały alarmowe, a także zapisują liczbę zatrzymań i ich przyczyny. PLC posiada dane o wysokiej rozdzielczości czasowej, ale ma też ograniczenia, ponieważ jest nastawiony na sterowanie, nie na analizę. Dane bywają nadpisywane, a ich archiwizacja nie zawsze jest kompletna.

Układ sterowania poza PLC posiada również system SCADA, czyli system nadzoru i akwizycji danych. SCADA zbiera sygnały z maszyn, wizualizuje proces, zapisuje trendy, alarmy i raporty. To dobre „okno” na produkcję, ale często działa w logice lokalnej, tzn. jest świetna do nadzoru bieżącego, słabsza do analizy wielotygodniowych trendów, korelacji między liniami czy łączenia danych z jakością. Kolejną warstwą jest MES – system zarządzania i realizacji produkcji. MES odpowiada za „kontekst” danych, określa co było produkowane, na jakim zleceniu, z jakiej partii surowców, w jakich warunkach, przez jaką zmianę. W praktyce to MES łączy parametry procesu z rzeczywistością produkcyjną, jej identyfikowalnością, recepturą, wersją procesu, stanem przezbrojenia i przebiegiem partii. Bez MES dane z automatyki są jak pomiar bez kontekstu (znacznika źródła) – technicznie poprawny, ale trudny do właściwego użycia.

Osobnym, lecz krytycznym strumieniem są dane jakościowe: LIMS i systemy laboratoryjne. To tam trafiają wyniki badań surowców, półproduktów i wyrobu gotowego, m.in. zawartość substancji aktywnej (API), wilgotność, jednorodność mieszaniny, parametry czystości, stabilność czy wyniki mikrobiologii. Dane LIMS są często „najbardziej wiarygodne” formalnie, bo są objęte rygorem laboratoryjnym i ścieżką audytu. Jednocześnie bywają one „najbardziej opóźnione” w czasie – a to utrudnia szybką reakcję na dryf procesu. Również w tych zakładach coraz większą rolę odgrywają systemy kontrolne jak wizyjne (kontrola etykiet, kodów, blistrów, zamknięć, obecności elementów) oraz czujniki IoT – np. dla monitorowania drgań, poboru prądu, temperatur łożysk, ciśnienia sprężonego powietrza czy warunków środowiskowych. IoT jest szczególnie przydatne tam, gdzie klasyczna automatyka nie daje wystarczającej widoczności lub gdzie dane są potrzebne do predykcyjnego utrzymania ruchu. Z tych wszystkich źródeł powstaje „cyfrowy ślad procesu” – czyli połączenie, parametrów technologicznych + kontekstu partii / kodu produktu + wyników jakości + zdarzeń i przerw + warunków środowiskowych + dat. Dla stabilności procesu kluczowe są nie wszystkie dane, lecz te, które są związane z mechaniką odchylenia, w których zaznaczyć można parametry krytyczne (CPP), wskaźniki jakościowe (CQA), czasy i zdarzenia procesowe oraz czynniki środowiskowe.

Dlaczego klasyczna kontrola procesu często jest niewystarczająca

Klasyczna kontrola jakości w produkcji farmaceutycznej jest skuteczna w jednym obszarze. Potrafi wykryć, że coś poszło nie tak. Problem polega jednak na tym, że bardzo często dzieje się to za późno. W zakładach analiza procesu i jakości często odbywa się dopiero po zakończeniu produkcji partii, kiedy wyniki z laboratoriów są już dostępne, a produkt bywa fizycznie gotowy. To podejście jest zgodne z logiką „kontroli końcowej”, ale słabo odpowiada na wy- zwania współczesnej produkcji, od której oczekuje się krótszych serii, większej zmienności surowców, a dodatkowo jest silna presja na wydajność i są rosnące wymagania identyfikowalności.

Pierwszym ograniczeniem klasycznego podejścia jest opóźnienie informacji. Jeżeli proces zaczyna „dryfować” w pierwszej godzinie, a wykrycie problemu następuje po 8–12 godzinach, to zakład ma niewiele możliwych opcji – wstrzymanie partii, dodatkowe badania, dodatkowe weryfikacje, a często również skierowanie produktu na odpady. Dla każdej branży produkcyjnej, to nie jest tylko „strata materiału”. To utrata czasu produkcyjnego, zaangażowania ludzi, blokada zasobów i wzrost obciążenia działów jakości.

Drugim ograniczeniem jest brak korelacji między parametrami – można powiedzieć brak kontekstu w danych. W praktyce problemy procesowe rzadko mają jedną przyczynę. Zwykle to kombinacja kilku zjawisk jak, zmiana temperatury, niewielka różnica w lepkości surowca, wolniejsza praca mieszadła, inna charakterystyka produktu lub stopniowe zużycie elementów mechanicznych. Jeśli patrzymy na każdy parametr osobno, możemy nie zauważyć, że układ jako całość przesuwa się w kierunku ryzyka.

Kolejnym, trzecim ograniczeniem jest trudność interpretacji trendów. Proces może mieścić się w tolerancji, ale jednocześnie wykazywać wyraźny trend – zbliżanie się do swojej granicy, generować rosnącą zmienność lub wprowadzać wahania cykliczne. Takie zjawiska często są niewidoczne w standardowych raportach „pass/ fail”. A właśnie trend jest kluczowy dla stabilności – bo trend mówi o tym, co wydarzy się za chwilę.

Ze względu na powyższe coraz częściej mówi się o przejściu od kontroli jakości na końcu procesu do kontroli ciągłej w trakcie produkcji – kontroli opartej na trendach, korelacji sygnałów i wczesnym ostrzeganiu. To nie jest zmiana filozofii GMP, tylko jej nowoczesne rozwinięcie: jakość ma być wbudowana w proces, a nie sprawdzana dopiero na jego końcu.

Analiza trendów procesowych jako narzędzie wczesnego ostrzegania

Jeżeli cyfrowy ślad procesu ma mieć realną wartość, musi zostać zamieniony w informację, która pomaga podejmować decyzje. Praktycznym krokiem jest tzw. „trending procesowy”, czyli analiza tego, jak parametry zmieniają się w czasie – nie tylko w ramach jednej partii, ale również w ujęciu tygodni i miesięcy. W farmacji trending jest szczególnie istotny, bo wiele odchyleń zaczyna się jako subtelna zmiana, która dopiero później prowadzi do incydentu jakościowego. Drugim filarem jest SPC (Statistical Process Control), czyli statystyczna kontrola procesu. W ujęciu praktycznym SPC pomaga odpowiedzieć na dwa pytania:

1. czy proces jest stabilny, czy zmienny?
2. czy zmienność procesu jest naturalna, czy jest wynikiem nowej zmiennej?

Model SPC uczy dyscypliny, wprowadza zasadę aby reagować wtedy, gdy jest sygnał statystycznie istotny, a nie wtedy, gdy wydaje się, że coś jest inaczej.

Trzecim elementem jest analiza zmienności parametrów, czyli nie tylko średnia wartość, ale rozrzut i powtarzalność. W praktyce często okazuje się, że problemem nie jest to, że parametr jest „za wysoki” lub „za niski”, tylko to, że zaczyna się wahać, a to zwiększa ryzyko, że w którymś momencie proces zbliży się do skrajnych wartości.

W farmacji do najczęściej rejestrowanych parametrów należą:

• temperatura (reakcji, mieszania, suszenia, otaczającego środo- wiska – pomieszczeń),
  • czas mieszania i homogenizacji,ciśnienie (np. w układach dozowania, filtracji, sprężonego powietrza),prędkość dozowania i czasy cyklu,
  • oraz – w obszarze pakowania – moment dokręcania i stabilność zamknięcia, które mają bezpośredni wpływ na szczelność i po-wtarzalność opakowania.

Warto podkreślić, że zmienność i SPC nie wymagają od razu „budowy modeli AI”. W wielu przypadkach największą wartość daje dobrze dobrany zestaw 5-10 parametrów, stabilny zapis danych oraz prosta analiza trendu i zmienności z zachowaniem kontekstu danych. Dopiero gdy system dostarcza spójne dane, kontekst partii, zrozumienie procesu, wówczas można sensownie budować kolejne bardziej złożone narzędzia analityczne. W przeciwnym razie powstaje system analityczny, który produkuje wykresy, ale nie poprawia stabilności.

Wykorzystanie modeli sztucznej inteligencji w analizie procesów produkcyjnych

W produkcji farmaceutycznej modele uczenia maszynowego (AI) nie powinny być traktowana jako nowe magiczne narzędzie, które samo rozwiąże problemy jakościowe. Ich realna wartość pojawia się wtedy, gdy proces jest już opomiarowany, dane są wiarygodne i wysokiej jakości z rejestracją kontekstu danych, a organizacja wie jaki ma problem i jaki cel chce osiągnąć. W takim układzie sztuczna inteligencja (AI) staje się nie tyle zamiennikiem wiedzy technologicznej, ile jej rozszerzeniem. Pozwala szybciej zauważyć zależności, których człowiek nie dostrzeże ze względu na konieczność analizy wielu zmiennych jednocześnie.

Najbardziej praktyczne zastosowania tego nowoczesnego narzędzia – AI – w środowisku produkcyjnym dotyczą konkretnych trzech obszarów. Po pierwsze, wykrywania anomalii procesowych. Dotyczy to sytuacji, w których pojedynczy parametr jeszcze nie przekracza limitu, ale cały zestaw sygnałów zaczyna odbiegać od typowego wzorca pracy. Po drugie, identyfikacja korelacji między parametrami, które w klasycznym podejściu są zwykle analizowane osobno. Po trzecie, przewidywanie odchyleń jakościowych, czyli oceny, czy obecny stan procesu zwiększa ryzyko OOT, OOS albo utraty powtarzalności partii.

W praktyce przemysłowej najczęściej wykorzystuje się tu, jak już wspomniano machine learning, czyli modele uczące się na danych historycznych. Nie oznacza to jednak zawsze złożonych sieci neuronowych czyli rozbudowanych narzędzi AI. W wielu przypadkach większą wartość mają proste modele predykcyjne, które są łatwiejsze w walidacji, interpretacji i utrzymaniu. W farmacji to jest bardzo ważne, ponieważ model musi nie tylko działać, ale również powinien dać się obronić technicznie i jakościowo. Warto pamiętać, że bardzo złożone modele nie pozwalają na ich weryfikację czyli trudno jest określić źródła czy podstawi podjętych decyzji.

Szczególnie użyteczna jest detekcja anomalii, czyli wyszukiwanie stanów nietypowych względem normalnej pracy procesu. To dobre rozwiązanie jest tam, gdzie nie mamy dużej liczby danych o awariach lub odchyleniach, ale mamy zbiór danych z pracy poprawnej. Model uczy się wtedy, jak wygląda proces stabilny, a następnie wskazuje momenty, w których zachowanie układu zaczyna się zmieniać. W środowisku farmaceutycznym może to dotyczyć wielu procesów np. mieszania, suszenia, granulacji, dozowania lub pakowania.

Dobrym przykładem jest analiza zależności pomiędzy zmiennymi, jak np.: zmiana temperatury + zmiana lepkości + czas mieszania. Każdy z tych parametrów osobno może nadal mieścić się w grani- cach akceptowalnych. Jednak ich wspólna zmiana może wskazywać, że produkt zaczyna tracić stabilność technologiczną. Dla człowieka analizującego osobne wykresy taka zależność bywa trudna do uchwycenia. Model AI może natychmiast wykazać, że określona kombinacja tych trzech zjawisk historycznie prowadziła do pogorszenia jednorodności mieszaniny lub zwiększała ryzyko odchylenia jakościowego w późniejszych etapach.

Trzeba jednak podkreślić rzecz kluczową, AI nie zastępuje zrozumienia procesu. Kluczowym elementem jest spójność i jakość danych, poprawne ich oznaczenie – data/ czas, zbyt rzadkie próbkowanie czy wpisanie wartości z niestabilnego procesu bazowego. W takiej sytuacji model będzie generował błędne wnioski. W farmacji szczególnie ważna jest więc nie tylko skuteczność analityczna, ale także tzw. dyscyplina danych, ich kontekst technologiczny i możliwość interpretacji wyników przez technologów, automatyków oraz działy jakości.

Cyfrowa walidacja procesów produkcyjnych

Klasyczna walidacja procesu przez wiele lat była rozumiana głównie jako potwierdzenie, że proces działa poprawnie w określonych warunkach, w określonym momencie i dla właściwego układu technologicznego. Podejście to pozostaje ważne, ale w nowoczesnych zakładach coraz częściej okazuje się niewystarczające. Powód jest prosty to zwiększona dynami ka procesów. Zmieniają się surowce, partie API, warunki środowiskowe, stan urządzeń, a czasem nawet sposób pracy czy wiedzy operatorów. To powoduje, że jednorazowe potwierdzenie poprawności procesu nie daje pełnego obrazu jego stabilności w czasie.

Właśnie dlatego rośnie znaczenie podejścia określanego jako „continuous process verification”, czyli ciągłego potwierdzania zdolności procesu do pracy w założonych parametrach – granicach. Nie oznacza to rezygnacji z klasycznej walidacji, lecz jej rozwinięcie. Zakład nie opiera się już wyłącznie na dokumentacji walidacyjnej wykonanej w przeszłości, ale stale obserwuje, czy zmienne procesowe pozostają pod kontrolą i czy ich wartość nie zaczyna przekraczać stanu uznanego za bezpieczny. Podstawą takiego podejścia są trzy elementy, analityka danych, systemy monitorowania parametrów oraz integracja systemów produkcyjnych i jakościowych, w szczególności systemy klasy MES i QMS. Analityka danych pozwala wyjść poza prosty odczyt parametrów i przejść do ich interpretacji w czasie. Systemy monitorowania zapewniają ciągły dopływ danych procesowych. Integracja MES/QMS pozwala natomiast połączyć dane z procesu z kontekstem partii, zleceniem produkcyjnym, odchyleniami, reklamacjami i działaniami jakościowymi.

W praktyce cyfrowa walidacja oznacza, że zakład przestaje patrzeć na proces wyłącznie przez pryzmat wyniku końcowego. Zaczyna obserwować, czy parametry krytyczne utrzymują się w stabilnym zakresie, czy nie rośnie zmienność oraz czy nie pojawiają się sygnały wskazujące na dryf technologiczny. To podejście ma ogromne znaczenie biznesowe, bo im wcześniej zostanie zauważony problem, tym tańsza i mniej ryzykowna jest reakcja.

Wartość biznesowa nowoczesnej analityki produkcyjnej

Nowoczesna analityka produkcyjna ma sens tylko wtedy, gdy prze- kłada się na konkretne efekty operacyjne i finansowe. W farmacji nie chodzi wyłącznie o „więcej danych”, ale o ograniczenie realnych kosztów niestabilności procesu. Najbardziej oczywistą korzyścią jest redukcja OOS (Out of Specification). Jeżeli zakład potrafi wcześniej zauważyć niepokojący kierunek, może zareagować zanim powstanie wynik poza specyfikacją. To oznacza mniej dochodzeń jakościowych, mniej blokad partii i mniejsze obciążenie zespołów jakości.

Drugim obszarem jest redukcja strat partii. W wielu przypadkach problem nie zaczyna się nagle, on rozwija się przez kilka godzin lub kilka zmian. Wczesne wykrycie takich zjawisk pozwala ograniczyć zakres problemu do fragmentu procesu, zamiast obejmować nim całą partię. To działanie bezpośrednio wpływa na koszty surowców, czas produkcji i obciążenie infrastruktury.

Trzecia korzyść to stabilność procesów, która przekłada się na przewidywalność planowania i lepsze wykorzystanie zasobów. Zakład, który ma stabilny proces, mniej czasu poświęca na gaszenie pożarów, a więcej na działania rozwojowe i optymalizacyjne. Z perspektywy zarządzania oznacza to również szybsze wykrywanie problemów i lepsze wsparcie decyzji produkcyjnych. Dane przestają być archiwum przeszłości, a stają się narzędziem zarządzania teraźniejszością. Jeżeli chodzi o ROI z analizy danych produkcyjnych, trzeba podchodzić do niego uczciwie. Zwrot z inwestycji nie wynika zwykle z jednego spektakularnego efektu, ale z sumy mniejszych korzyści: mniej odchyleń, mniej utraconych partii, mniej powtórnych analiz, mniej przestojów, lepsza ciągłość produkcji. W farmacji nawet pojedyncze uniknięcie poważnego incydentu jakościowego może uzasadnić projekt, który wcześniej wydawał się kosztowny.

Bariery wdrożenia nowych technologii

Największą barierą wdrożeń nie jest dziś sam brak właściwych narzędzi, lecz brak spójności organizacyjnej i jakość danych. W wielu zakładach występuje brak integracji danych – parametry procesu są w SCADA, informacje o partii w MES, wyniki badań w LIMS, a odchylenia w osobnym QMS. Każdy system działa poprawnie, ale razem nie tworzą pełnego obrazu procesu.

Drugim problemem są rozproszone systemy IT i historycznie budowane środowiska, w których kolejne rozwiązania dokładano etapami. Taki układ utrudnia analizę przekrojową i wydłuża wdrożenia. Trzecią barierą jest brak kompetencji analitycznych. Sam zakup narzędzia nie tworzy wartości. Potrzebni są ludzie, którzy potrafią rozumieć proces, interpretować dane oraz łączyć perspektywę technologiczną z jakościową. Nie można też pominąć czwartego problemu to ograniczenia regulacyjne. W farmacji każda nowa technologia musi być oceniona pod kątem zgodności z wymaganiami jakościowymi, integralności danych, ścieżki audytu i wpływu na zwalidowany proces. To spowalnia wdrożenie, ale nie oznacza, że go blokuje. Oznacza jedynie, że muszą one być dobrze przygotowane.

Najbardziej racjonalnym sposobem działania są projekty PoC (Proof of Concept), czyli pilotaże o ograniczonym zakresie, prowadzone etapowo. Takie podejście pozwala sprawdzić, czy dane rozwiązanie rzeczywiście daje wartość, bez ryzyka kosztownej transformacji całego zakładu. W praktyce najskuteczniejsze są wdrożenia oparte na ścisłej współpracy IT i produkcji, z udziałem jakości. To właśnie na styku tych trzech obszarów powstają rozwiązania, które są jednocześnie użyteczne, zgodne i możliwe do obrony operacyjnie.

Przyszłość produkcji farmaceutycznej

Najbliższe lata będą należeć do tych zakładów, które nauczą się traktować dane procesowe jako strategiczny zasób i będą dbać o ich jakość i kontekst. W praktyce oznacza to dalszy rozwój modeli uczenia maszynowego (AI) w kontroli procesów, ale nie w formie „samodzielnie myślącej fabryki”, lecz jako warstwy wspierającej decyzje technologiczne i jakościowe. Drugim kierunkiem już widocznym na horyzoncie jest rozwój digital twin – cyfrowy bliźniak dla procesu / linii produkcyjnej, pozwalający testować scenariusze zmian bez ryzyka dla rzeczywistej partii.

W dłuższej perspektywie rosnąć będzie znaczenie autonomicznych systemów kontroli, które nie tylko monitorują, ale potrafią także rekomendować działania lub bezpiecznie korygować wybrane parametry. Z tym wiąże się także koncepcja predictive quality, czyli jakości przewidywanej na podstawie aktualnego zachowania procesu, a nie tylko potwierdzanej po wykonaniu badań końcowych. Trzeba jednak zachować realizm. Przyszłość produkcji farmaceutycznej nie będzie polegać na zastąpieniu technologów algorytmami. Będzie polegać na tym, że doświadczenie ludzi zostanie wzmocnione przez lepsze dane, lepszą analitykę i szybsze rozpoznawanie ryzyka. To właśnie w tym połączeniu – technologii, jakości i rozumienia procesu – kryje się realna cyfrowa stabilność produkcji.