Die systematische Zusammenführung und ganzheitliche Auswertung der Daten aus Forschung, Entwicklung und Produktion können ein besseres Verständnis der Faktoren ermöglichen, die für die Arzneimittelqualität und Ressourceneffizienz bei der Herstellung relevant sind. VTU besitzt umfassendes Know-how in den Bereichen Datenmanagement, -integrität und -analyse sowie GxP-Compliance und kann damit seinen Kunden als holistischer Partner bei Digitalisierungsprojekten zur Seite stehen.
Das Quality-by-Design (QbD)-Konzept hat sich für die Entwicklung neuer Arzneimittel und ihrer Herstellprozesse etabliert. Eine erfolgreiche Umsetzung von QbD erfordert jedoch den Aufbau von fundiertem Verständnis des Produkts und seines Lebenszyklus (Herstellung, Lagerung, Verwendung, etc.). Konkret gilt es, diejenigen Eigenschaften zu ermitteln, die aus Sicht des Patienten für die Qualität des Arzneimittels entscheidend sind, d. h. seine klinische Wirkung beeinflussen. Diese Eigenschaften werden dann als kritische Qualitätsattribute (critical quality attributes, CQAs) klassifiziert und akzeptable Wertebereiche für ihre Ausprägung definiert. Ein Beispiel für ein CQA kann die Konzentration einer Verunreinigung sein, die als Nebenreaktion bei der Wirkstoffsynthese entsteht. Im Kontext von QbD muss klar sein, auf welche Weise die CQAs mit den Variablen des Herstellprozesses (Rohmaterial-/Intermediateigenschaften und Prozessparameter) zusammenhängen. Nur so kann die Produktqualität zu jedem Zeitpunkt sichergestellt werden.
Die richtigen Methoden anwenden
Im Zusammenhang mit QbD wird oft auch der von der FDA geprägte Begriff Process Analytical Technology (PAT) verwendet. In ihrem Leitfaden zu PAT hat die FDA bereits 2004 explizit die Verwendung von multivariater Datenanalyse und Methoden zur Mustererkennung in großen Datensätzen erwähnt. Dies soll dazu dienen, quantitative Information über Zusammenhänge zwischen CQAs und Prozessvariablen in Form von mathematischen Beziehungen und Modellen zu generieren. Diese Information kann dann z. B. dazu genutzt werden, auf Veränderungen in den Prozessvariablen passend zu reagieren, um trotzdem konstante Produktqualität zu erreichen.
Die fortschreitenden Entwicklungen in den Bereichen Messtechnik und IT haben dazu geführt, dass die Menge an verfügbaren Daten aus Forschung, Entwicklung, Produktion, etc. rasant zunimmt. Effiziente Zusammenführung und Auswertung dieser Daten kann es ermöglichen, für mehr Prozessparameter und Materialeigenschaften deren Einfluss auf die Qualität des fertigen Arzneimittels zu bestimmen. Moderne Algorithmen aus dem Bereich des maschinellen Lernens sind in der Lage, Muster in großen Datensätzen zu erkennen und komplexe Zusammenhänge zwischen Variablen zu quantifizieren. So können systematische Vergleiche verschiedener Produkte und Herstellprozesse angestellt und die sichere Entwicklung und Herstellung von Arzneimitteln beschleunigt werden.
