Quality by Design bei GlaxoSmithKline

Wissenschaftler und Techniker verbessern die Produktionsprozesse mittels Modellierung und Datenvisualisierung

Herausforderung
Treffen evidenzbasierter Entscheidungen zur Einrichtung einer robusten Arzneimittelproduktion.
Lösung
Wissenschaftler von GlaxoSmithKline bewerten Risiken und entwickeln Prozesssteuerungsstrategien mithilfe der einzigartigen Versuchsplanungsfunktionen und anderer Fähigkeiten von JMP® von SAS zur statistischen Datenanalyse.
Ergebnisse
Hervorragende Versuchsplanungsmethoden unterstützen die Wissenschaftler bei der raschen Optimierung der Herstellungsprozesse und senken so die Kosten. Die Journale und anwenderspezifischen Dashboards ermöglichen das Strukturieren, Weitergeben und interaktive Explorieren der Analyseergebnisse. Die Software vereinfacht das Erkennen von Lücken, Hervorheben wichtiger Kontrollfunktionen und den Nachweis der Kontrolle.

Martin Owen ist ein Verfechter von Quality by Design, einem wissenschaftlichen und proaktiven Ansatz der Arzneimittelentwicklung – und bemüht sich ständig um Verbesserung.

Owen spielt eine wichtige Rolle im Innovationsbereich von GlaxoSmithKline und ist immer auf der Suche nach zuverlässigen und effizienten Möglichkeiten für die Generierung und Visualisierung von Daten zur Unterstützung von Risikoabschätzungen und zur Kontrolle der Herstellungsprozesse. Er bemüht sich um evidenzbasierte, innovative Lösungen, die Quality by Design von einem abstrakten Konzept zu einer alltäglichen Realität werden lassen.

Owen will sicherstellen, dass aus im Labor optimierten Prozessen robuste Herstellungsmethoden werden, die eine kontinuierliche Verbesserung des gesamten Prozesslebenszyklus ermöglichen.

Die JMP-Software zur statistischen Datenanalyse von SAS verhalf Owen zu beträchtlichen Fortschritten. Das Ergebnis ist eine Flut neuer Erkenntnisse, die Höchstleistungsprozesse unterstützen –  und zwar alles nach Plan.

Die Desktop-Software kombiniert dynamische statistische Analyse mit umfangreichen Möglichkeiten der Datenvisualisierung. Wissenschaftler, Techniker und Datenanalysten in zahlreichen Branchen setzen ihre Modellierungsfunktionen ein. Dazu gehören Methoden zur Versuchsplanung (Design of Experiments, DOE), die für die Optimierung von Herstellungsprozessen in möglichst wenigen Einzelversuchen wesentlich sind und Zeit und Geld sparen.

Mit JMP, so Owen, erwachen die Daten zum Leben. „Das wirklich Beeindruckende ist, dass man mit den Daten interagieren kann. Man kann auch komplexe Was-wäre-wenn-Szenarien ganz einfach durchspielen.“

In einem Paket

Für Quality by Design ist es grundlegend, die Beziehungen zwischen den Prozessparametern und den Auswirkungen der Materialien aufeinander zu verstehen, während des Herstellungsprozesses ebenso wie im Fertigprodukt. Das setzt umfangreiche Kenntnis der komplexen Beziehungen zwischen zahlreichen Grundoperationen voraus – die Informationen dazu ändern sich laufend während der Entwicklungs- und Herstellungsphasen.

Das Verstehen des Prozesses ist wesentlich, damit die Grundursachen von Herstellungsproblemen rasch korrigiert werden können. Die Pharmabranche unterliegt strengen Regulierungen, und die Regulierungsbehörden betonen, dass ein wachsamer, beweglicher Korrekturansatz für Probleme ein wichtiges Element des Konsumentenschutzes ist.

Das Sicherstellen der Produktqualität erfordert eine intelligente Kontrollstrategie. So enthält etwa eine aus einer chemischen Reaktion hervorgegangene Substanz häufig kleinere Unreinheiten. „Wir müssen bei jeder Unreinheit wissen, ob sie bereits in den Ausgangsmaterialien enthalten war oder im Prozess entstanden ist, und wie wir sie erfolgreich beseitigen können“, erklärt Owen.

Das Unterdrücken einer Unreinheit kann die Zunahme anderer zur Folge haben. Zum Erzielen optimierter, robuster Prozesse ist es entscheidend, die beste Kombination von Kontrollstrategien- zu wählen.

JMP bot jene Kombination aus Modellierung und visuellen Werkzeugen, nach der Owen suchte.

 

„Ich interessierte mich für Versuchsplanung als einer Möglichkeit, Prozesse zu verbessern. Ein Programm zur statistischen Analytik musste für mich also genau das leisten“, sagt Owen.

„Aber als ich das große Ganze ins Auge fasste, wurde mir immer wichtiger, dass unser Analyseprogramm auch Datenvisualisierung bietet und über Techniken zur Anordnung der Ergebnisse verfügt. Für ein besseres Verständnis müssen wir auch andere Modellierungstypen prüfen und integrieren, z. B. Kinetik und Hauptkomponentenanalyse.

Und genau das bot uns JMP“, erklärt Owen.

„Ein Bild sagt mehr als tausend Worte“

Wissenschaftler, Techniker und Analysten von GlaxoSmithKline arbeiten mit zwei Datentypen: Versuchs- und Beobachtungsdaten. Die Daten werden normalerweise unter Versuchsbedingungen im Labor gewonnen und zur Optimierung eines Prozesses verwendet. Ziel ist in diesem Fall das Schaffen eines robusten und zuverlässigen Prozesses. Die Beobachtungsdaten werden im Produktionsprozess erfasst und überwacht, um nachzuweisen, dass Prozesse während der Herstellung unter Kontrolle gehalten werden.

Owen muss zu einem umfassenden Verständnis des Prozesses gelangen, zugleich aber auch die Dauer und Kosten der Untersuchung minimieren. Und an diesem Punkt erfordert das Quality by Design-Konzept Versuchsplanung – einen strukturierten Weg der Untersuchung multivariater Beziehungen zwischen Parametern und Attributen.

„Im Vergleich zu Ansätzen mit jeweils nur einem Faktor lässt sich mithilfe von Versuchsplanung mit relativ wenigen Ressourcen eine Menge an Informationen gewinnen“, erklärt Owen.

Für DOE muss man zunächst einige wichtige Fragen zum beabsichtigten Prozess stellen:

  • Welche Ziele habe ich?
  • Welche Attribute werde ich messen?
  • Wie gut lassen sich die Attribute messen oder kategorisieren?
  • Mit welchen Parametern werde ich experimentieren?
  • Was halte ich konstant?

„Während der Produktentwicklung klären wir, welche Attribute für die Qualität wesentlich sind. Dann suchen wir nach den Beziehungen zwischen den Parametern und den Attributen und versuchen herauszufinden, wie wir sie optimieren und einen robusten Prozess schaffen können“, sagt Owen.

„Zuerst muss man alle Faktoren untersuchen, dann diese optimieren, dann die Bereiche einengen, um den Prozess zu kontrollieren.

Dann implementiert man diese Bedingungen in den Produktionsmodus. Bei der Übertragung in die Praxis sollen die Verbesserungen fassbar werden, die man in der Versuchsplanung erzielt hat.“

Owen kann etwa mit dem JMP-Analysediagramm die Parameter verändern und sofort den Effekt sehen.

„In diesem Fall sagt ein Bild wirklich mehr als tausend Worte“, meint Owen. „Man hat die Versuchsplanungsarbeit erledigt und kann nun die Auswirkung visualisieren.“

Eine einheitliche Perspektive

Früher versuchten die Forscher, einen Prozess mithilfe von Text und PowerPoint-Präsentationen zu erläutern. „Aber da gibt es alle möglichen Probleme“, meint Owen. „Es ist schwierig, alle Informationen im Kopf zu behalten, und man ist davon abhängig, welche Schwerpunkte der Vortragende oder Autor setzt.“ Noch wichtiger: „Man kann die Daten nicht dynamisch untersuchen.“

Owen führte bei seinen Kollegen JMP-Journale ein. Nun können diese Daten und Berichte etwa durch Ziehen von Elementen so anordnen, dass man den Prozessen leichter folgen und ermitteln kann, wie und wo Qualitätsattribute kontrolliert werden.

„Die Funktionen der Journale bieten einen enormen Vorteil“, sagt er. „Man kann sehr schnell auf verschiedene Modelle und Visualisierungen zugreifen, zwischen ihnen navigieren und sie anzeigen.“

Im nächsten Schritt wurden diagnostische Dashboards erstellt, mittels derer sich wichtige Informationen auf einen Blick kommunizieren lassen.

Die Dashboards sind so konzipiert, dass sie eine optimale Organisation von Informationen unterstützen, sodass sie die Beschränkungen des Kurzzeitgedächtnisses kompensieren und erlauben, sich auf das Wichtigste zu konzentrieren. Owen erklärt, dass er und seine Kollegen die Flexibilität zur raschen Erstellung „adaptiver Dashboards“ benötigen, da die Prozesse und Produkte sich voneinander unterscheiden.

Bisher verwendeten sie eine Vielzahl von Statistik- und Modellierungsprogrammen. Aber das schuf eine Inselmentalität, so Owen. Nun nutzen er und seine Mitarbeiter die adaptiven Dashboards von JMP, um diese Isolierungen zu beseitigen.

„Wir kontrollieren die Qualität oft auf unterschiedliche Weisen“, erklärt er, „und JMP gibt die Mittel an die Hand, diese unterschiedlichen Verfahrens-, Attributs- und Parameterkontrollen miteinander zu verbinden und einheitlich zu präsentieren.

Wenn man Leute mit unterschiedlichen Perspektiven zusammenbringt und deren Daten in dasselbe Programm eingibt, kann man die Synergien zwischen unterschiedlichen Modelltypen sehen“, so Owen.

Einige von Owens Kollegen kommen aus der Statistik, andere nicht, „wir brauchten also die Möglichkeit, flexibel das große Ganze oder einzelne Details in den Blick nehmen zu können, um die den Modellen zugrundeliegenden Annahmen zu überprüfen“. Ein wesentliches Charakteristikum von JMP ist die Integration von interaktiven Graphiken in umfangreiche Statistiken.

Owen entdeckt, wie er sagt, in JMP immer wieder neue Besonderheiten.

„Ich gewinne laufend neue Erkenntnisse mit JMP, und unsere Prozesse werden immer besser.“

Owen betont, dass er und seine Kollegen nicht auf alle Produkte oder Aspekte der Arzneimittelentwicklung die Dashboard-Methode anwenden. „Wir befinden uns noch in der Inkubationsphase, entwickeln Anwendungen weiter, vereinfachen und verfeinern sie. Das Ziel ist die langfristig nachhaltige Implementierung“, sagt er.

Wenn man Leute mit unterschiedlichen Perspektiven zusammenbringt und deren Daten in dasselbe Programm eingibt, kann man die Synergien zwischen unterschiedlichen Modelltypen sehen.
Martin Owen

Innovation Leader
GlaxoSmithKline

Weiterführende Links
Nehmen Sie Kontakt zum JMP Team auf

Back to Top