Analytics/Big Data in der Pharmaproduktion So werden Analytics und Big Data in der Praxis genutzt

Drei Beispiele wie Analytics und Big Data die Pharmaproduktion effizienter machen können – Datenanalyse ist kein Hexenwerk, sondern kann helfen, konkrete Fragestellungen der Produktion zu lösen. Der Einsatz einer Analysesoftware verkürzt bei Abbott den Reinigungszyklus und optimiert bei Johnson & Johnson das Klimamonitoring.

Anbieter zum Thema

Keller & Bohacek GmbH & Co.

Shimadzu Deutschland GmbH

Hellma GmbH & Co. KG

OSISoft Europe GmbH

OSIsoft (UK) Ltd.

Nach einer Statistik der Weltbank machen Ausgaben für das Gesundheitswesen etwa zehn Prozent des weltweiten Bruttosozialprodukts aus, und der Anteil von pharmazeutischen Produkten in Höhe von derzeit 15 Prozent wächst immer weiter. Der Trend zum personalisierten Arzneimittel wird die Kosten noch weiter erhöhen. Denn speziell auf einen oder eine kleine Patientengruppe abgestimmte Wirkstoffe erzeugen auch höhere Entwicklungs- und Produktionskosten und damit entfallen zusätzliche Kosten auf Pharmaunternehmen und Patienten.

Tausende von Litern nach einer Spezifikation für das „Goldene Los“ konsistent zu produzieren, ist bereits frustrierend. Die Herstellung von zehn, 20 oder 30 Liter für ein „Goldenes Los“ für einen einzelnen Patienten aber ist eine noch größere Herausforderung. „Um solche Therapien auf den Markt zu bringen, müssen wir die Forschungskosten eindampfen“, erklärt Peter Shone, Vice President Engineering bei Parexel.

Bildergalerie

Analytik und Big-Data-Technologien spielen deshalb eine immer größere Rolle, wenn es gilt, das Spannungsfeld zwischen Konsistenz, Qualität und Kosten ins Gleichgewicht zu bringen. Osisoft hat ein Softwaresystem zur Analyse von Massendaten entwickelt, das Daten aus dem Herstellungsprozess zur Prozessoptimierung nutzt. Die offene Infrastruktur erlaubt es, sensorbasierte Daten, Fertigungsanlagen und Personen zu verbinden und ermöglicht einen Echtzeit-Überblick aller Prozesse. Dadurch erhalten Pharmaunternehmen tiefe Einblicke in ihre Produktions- und Entwicklungsprozesse sowie eine bessere Kontrolle über die Lieferkette.

Beispiel 1: Echtzeit-Einblicke in die Produktion

Janssen, ein Pharmaunternehmen der Johnson & Johnson-Gruppe, ist ein Hersteller von Arzneimitteln mit unmittelbarer und verzögerter Wirkstofffreisetzung. Um die Qualität in der Fertigung zu gewährleisten, müssen die Räume, in denen die Herstellung stattfindet, präzise Vorgaben, beispielsweise zu Temperatur und Feuchtigkeit, einhalten. Jede Abweichung resultiert in ungeplanten Produktionsausfällen, was wiederum zu einem Anstieg der Herstellungskosten führt. Nachdem in allen Produktionshallen antiquierte Datenschreiber durch intelligente Sensoren ersetzt wurden, kann Janssen jetzt das PI-System von Osisoft für die Echtzeit-Überwachung der Umweltbedingungen in jedem Raum einsetzen, überall im Unternehmen. Wenn jetzt die Daten darauf hinweisen, dass die Umweltbedingungen aus den erforderlichen Parametern laufen, kann das Unternehmen geeignet nachsteuern, bevor eine Abschaltung notwendig wird. Mithilfe von Sensoren, Big Data und Visualisierungstechnologien hat Janssen ungeplante Abschaltungen auf weniger als ein Prozent reduziert und die Auslastung der Anlagen und die Arzneimittelqualität gesteigert. All diese Maßnahmen führen obendrein zur Senkung der Produktionskosten.

Wissen ist Wettbewerbsvorteil Ob Branchennews, innovative Produkte, Bildergalerien oder auch exklusive Videointerviews. Sichern auch Sie sich diesen Informationsvorsprung und abonnieren Sie unseren redaktionellen Branchen-Newsletter „rund um das Thema Pharma“.

Beispiel 2: Datenanalyse verkürzt Reinigungszyklen

Abbott ist ein Hersteller von Nahrungsergänzungsmitteln und pharmazeutischen Generika. In Anlagen für die Massenproduktion können selbst kleinste Justierungen an einzelnen Geräten in massiven Kosteneinsparungen resultieren und dazu beitragen, Produkte rascher und kosteneffizienter auf den Markt zu bringen.

In der Fertigung müssen alle Anlagenteile vor dem nächsten Produktionslauf einen Clean-in-Place-Prozess durchlaufen, der Ausfallzeiten bedingt. Auf das Gefühl hin, dass der Spülzyklus zu lange dauern würde, hat Abbott das PI-System von Osisoft für die Analyse der Sensordaten herangezogen, um alle Zeiten zu identifizieren, zu denen Anlagenteile gespült wurden. Während der Spülzyklen lief der Leitfähigkeitssensor aus der Spezifikation, was heißt, dass die Anlagen zu lange gereinigt wurden. Nach der Neujustierung des Spülzyklus konnte man die gesamte CIP-Zykluszeit um 20 Minuten senken, wodurch der Durchsatz der Anlage und die Produktion pro Anlagenteil um drei Stunden gesteigert werden konnten – und das Monat für Monat.

(ID:44471421)