Da un recente articolo di Ympronta: “Cosa pensano gli umani delle macchine che pensano?” 2ª Parte
Nell’articolo precedente “Quello che le macchine apprendono” abbiamo conosciuto i concetti fondamentali dell’intelligenza artificiale. In questo articolo vedremo quali possono essere esempi reali di applicazione dell’intelligenza artificiale nel settore farmaceutico.
Le applicazioni di IA non sono dei software a sé stanti, bensì funzionalità e moduli integrati nelle parti più critiche dei sistemi e processi esistenti. L’obiettivo dell’IA non è tanto fornire nuove funzionalità, bensì potenziare quelle esistenti. Quello che faremo è presentare alcuni casi che ci sono sembrati più interessanti.
VISUAL INSPECTION
Partiamo da un tipo di applicazione noto a tutti: il riconoscimento dei semafori, barche, autobus, particelle sospese nel liquido.
L’ispezione visiva è una fase molto impegnativa nel processo di produzione farmaceutica, dovuta anche al cosiddetto problema dei falsi scarti. Ciò è particolarmente vero per prodotti con caratteristiche difficili, come soluzioni parenterali in cui le bolle d’aria non possono essere completamente eliminate e la loro differenziazione dalle particelle è problematica. Questi casi di solito richiedono lunghi tempi di sviluppo e ottimizzazione per gli algoritmi di visione prima di raggiungere un livello di riconoscimento ottimale.
L’IA può abbreviare questo periodo di sviluppo e ottimizzare più rapidamente i risultati desiderati poiché consente di analizzare automaticamente centinaia di migliaia di immagini. In questo modo, il sistema fornisce una rappresentazione più ricca dei difetti e una migliore base di conoscenza da cui partire per la parametrizzazione futura.
L’approvazione normativa di queste soluzioni migliorerà significativamente l’ispezione di prodotti difficili, come quelli riempiti in imballaggi primari (fiale, siringhe o sacche). Ciò ridurrà i tassi di scarto e, di conseguenza, i costi nella produzione.
BATCH RELEASE
Anche se il processo di rilascio del lotto è basato sulla revisione per eccezione, esso richiede comunque l’analisi e la valutazione di grandi fascicoli contenenti dati di produzione, del laboratorio, delle specifiche, dei metodi e di molti altri record. Tutte queste informazioni sono correlate tra loro ma i dati non sono strutturati e sono spesso conservati in più luoghi, diversi sistemi digitali o in registri cartacei.
L’intelligenza artificiale può essere usata per automatizzare alcune parti di questo processo, specialmente per aggregare e strutturare tutti i dati eterogenei in modo da ottenere una visione completa ma sintetica che facilita e velocizza la decisione sul lotto, riducendo al minimo il potenziale di errore umano.
Potenziali opportunità di automazione (parziale o totale) includono la revisione e verifica di procedure come:
- confronto con i limiti QC o i limiti dei parametri di produzione
- Input e revisione di Electronic Batch Record (EBR)
- stato di convalida
- condizioni ambientali
- indagini sulle deviazioni e modifiche
- il controllo di conformità normativa
- qualifica fornitori e analisi di materie prime
PREDICTIVE OEE
L’Overall Equipment Effectiveness indica quanto bene viene utilizzata l’attrezzatura. L’OEE è emerso come il KPI target per la maggior parte delle industrie manifatturiere, inclusa quella farmaceutica, poiché considera tre indicatori chiave:
- Disponibilità: percentuale di tempo in cui un’apparecchiatura può funzionare
- Qualità: percentuale di pezzi di buona qualità prodotti
- Prestazioni: percentuale della massima velocità di funzionamento utilizzata
Ecco alcuni semplici esempi di come l’intelligenza artificiale influisce sul OEE:
- Setup: Possiamo migliorare il tempo necessario per impostare o adattare l’ambiente, le linee e gli strumenti quando arriva un nuovo ordine di lavoro, considerando i risultati di precedenti esperienze simili.
- Deviazioni di processo: in modo simile, l’intelligenza artificiale consente la previsione della qualità, basandosi sui parametri di processo, che, combinati con l’ottimizzazione in tempo reale dei parametri di esecuzione, si traduce in risultati di migliore qualità e riduzione degli scarti, migliorando ulteriormente l’OEE.
- Manutenzione: la manutenzione predittiva ci consente di pianificare e fornire i pezzi di ricambio necessari in modo da ridurre al minimo l’impatto sulla produzione.
Proviamo a valutare i benefici dell’IA, confrontando un processo di produzione standard con uno basato sull’intelligenza artificiale:
Mediamente, per ottenere risultati utili è necessario analizzare tra 500 e 1000 batch con ~200 variabili/batch. Questo è in genere il ridimensionamento dei dati disponibili dopo aver scartato i batch non significativi (batch di prova, batch interrotti, ecc.).
Questo ci fa comprendere una dura verità: l’IA non può portare benefici significativi per le aziende piccole, che producono pochi lotti a settimana e per le realtà che non raccolgono in forma digitale tutti i dati rilevanti.
Una buona pratica, prima di applicare un modello di intelligenza artificiale, è eseguire un’analisi delle caratteristiche principali (PCA) per prendere in considerazione le variabili che potrebbero influenzare la previsione. Questo sicuramente è utile ed è una buona base di partenza, ma limitarsi a questo, significa affidarsi alla sola esperienza umana, mentre, il vantaggio principale dell’IA è “costruire” una nuova esperienza, grazie alla raccolta e analisi di più dati possibili, trovando all’interno di questi delle relazioni causa-effetto mai immaginate prima.
Dopodiché, bisogna addestrare il modello supervisionato (nel caso di sole caratteristiche definite dagli umani), o il modello NON supervisionato (se si vuole delegare l’individuazione delle caratteristiche all’IA) per ottenere una chiara relazione tra le caratteristiche di processo e l’indice di unità prodotte al minuto, in modo da poterlo ottimizzare agendo sulle prime. Ciò porterà al rilevamento di diverse cause di inefficienza alla radice che, una volta risolte, possono aumentare l’OEE anche di 15-20%.
REAL-TIME DATA ANALYTICS E SISTEMI AUTOGESTITI
Detto anche “Path Recognition” o “Real-Time Risk Management”, questo è uno degli utilizzi più affascinanti dell’IA perché ci permette di viaggiare nel tempo, prevedere il futuro e di cambiarlo. In realtà è un sottoinsieme delle applicazioni discusse sopra, con la differenza di implementare l’integrazione tra strumenti analitici basati sull’IA e strumenti gestionali, come MES per aggiustare automaticamente e in tempo reale i parametri di produzione, influenzandone l’esito.
Nell’istante in cui viene rilevato un potenziale rischio, il sistema può inviare un allarme, suggerire le azioni necessarie o, se la linea è dotata anche degli attuatori comandabili da remoto (PLC, valvole, interruttori, regolatori, etc) può interviene direttamente per modificare i parametri del processo.
R&D
In questo capitolo riassumiamo brevemente le applicazioni di IA al di fuori dell’ambito produttivo, soffermandoci su uno di questi.
Natural Language Processing
NLP applicato all’analisi del testo, sta apportando valore alle organizzazioni farmaceutiche già da un paio di decenni. Ad esempio, durante lo sviluppo di una nuova molecola, i ricercatori devono reperire nella letteratura biomedica informazione specifica, relativa alla loro area terapeutica di interesse. Ma l’80% dei dati sanitari viene archiviato in un formato non strutturato, il che rende difficile l’accesso e l’analisi, il che spesso impedisce agli scienziati, ricercatori e medici di sfruttare le migliori informazioni possibili quando prendono decisioni. Oltre a una semplice ricerca per parola chiave, la NLP recupera i documenti e identifica i fatti e le relazioni tra questi, presentando il tutto in un formato strutturato che consente la revisione e l’analisi rapida.
Ecco alcuni ambiti di possibile utilizzo dell’IA:
- Sviluppo nuovi farmaci
- Elaborazione di dati biomedici e clinici
- Studio malattie rare
- Medicina personalizzata
- Identificazione dei candidati alla sperimentazione clinica
- Previsione dei risultati del trattamento
- Rilevamento dell’efficacia dei farmaci
- Identificazione/diagnosi della malattia
- Fascicoli sanitari elettronici intelligenti
CONTINUOUS VALIDATION
Cosa hanno in comune l’intelligenza artificiale e la convalida?
Non è certo un segreto che i test di convalida mancano spesso di accuratezza o, quanto meno, sono disegnati in modo tale da simulare solo i flussi principali e le situazioni limite, quelle più a rischio. L’obiettivo di questo focus è ridurre il più possibile lo sforzo ed i costi della convalida. Ma, dal momento che queste attività sono prevalentemente manuali, esiste sempre un limite oggettivo di riduzione dei costi, a meno che non vengano applicate tecnologie di test e distribuzione automatizzate.
È da un po’ di tempo che si parla della transizione dalla CSV (Computer System Validation) alla CSA (Computer Software Assurance), che consiste in un innovativo approccio di creazione e manutenzione del software negli ambienti regolamentati e che mira a risolvere i problemi della classica convalida dei sistemi computerizzati, grazie alle nuove tecnologie e metodi automatizzati introdotti in tutte le fasi del ciclo di sviluppo (Software Development Life Cycle – SDLC): inizio, progettazione, implementazione, manutenzione e monitoraggio, audit e smaltimento.
In attesa della comunicazione della FDA sulla guida CSA, abbiamo l’opportunità di rivalutare le fasi dell’SDLC e iniziare a pensare all’utilizzo di nuovi metodi di sviluppo software, come una combinazione di intelligenza artificiale (AI) e linguaggio macchina adattivo (ML) per fornire istruzioni simili a quelle umane per i test automatizzati.
Effettuare il passaggio alla convalida continua e al test continuo non sarà un compito facile, soprattutto per le aziende mature che eseguono la convalida tradizionale dal 2003 o prima. Con la gestione continua del ciclo di vita per lo sviluppo del software, l’attenzione del controllo qualità sarà sulla sicurezza del paziente e del prodotto, piuttosto che su test e documentazione manuali, che saranno sostituiti dall’automazione dei test per consentire la convalida continua.
CONCLUSIONI
L’ottimizzazione dei processi nell’industria farmaceutica sta diventando un compito sempre più complesso per le aziende. Cosa succede se i dati diventano troppo complessi da gestire? Una possibile strategia prevede l’utilizzo dell’apprendimento automatico e altre forme di intelligenza artificiale (AI). L’apprendimento automatico è un metodo di analisi dei dati che automatizza la creazione di modelli analitici. È una branca dell’intelligenza artificiale, basata sull’idea che i sistemi possono imparare dai dati, identificare schemi e prendere decisioni con il minimo intervento umano.
In un mercato dinamico all’insegna della trasformazione digitale, l’IA sta diventando uno standard, dalla scoperta dei farmaci in fase iniziale fino all’ottimizzazione della produzione, della supply chain e dei processi di controllo qualità.
Con i metodi più tradizionali di analisi dei dati, è possibile solo guardare indietro ai dati dei lotti precedenti e apportare le modifiche necessarie per evitare un processo non ottimale nel lotto successivo. Il vantaggio degli strumenti di intelligenza artificiale è l’elaborazione più rapida di grandi quantità di dati e la possibilità di prendere decisioni cruciali già durante il processo produttivo in corso.
Gli algoritmi di Machine Learning aiutano a prevedere cosa accadrà nel futuro in base ai dati attuali e storici. Inoltre, l’utilizzo di modelli per l’analisi prescrittiva consente di simulare il processo sulla base dei dati disponibili. Utilizzando una dashboard, l’operatore non solo è in grado di vedere i risultati, ma riceve anche consigli specifici per regolare il processo e ridurre al minimo la variabilità.
Alla luce di questi sviluppi, è facile pensare ad algoritmi autogestiti. Intervenire in un processo convalidato utilizzando l’intelligenza artificiale è un enorme passo avanti nel settore farmaceutico. La vera sfida è far sì che il processo venga convalidato e rimanga a prova di errore, garantire, cioè, che gli algoritmi si adattino a questo ambiente regolamentato.
Possiamo addirittura immaginare che grazie all’IA entro qualche anno le analisi di fine lotto non saranno più necessarie. Sulla base dei dati di processo di un lotto e, grazie agli interventi adottati in tempo reale durante la produzione, la qualità di un prodotto sarà garantita anche senza una controprova finale.
Visita il sito di Ympronta per saperne di più
