Predictive quality: applicazioni e vantaggi per il Pharma

Tecnologie

Garantire qualità in produzione con la Predictive quality: applicazioni e vantaggi per il Pharma

Il tema della predictive quality nell’industria farmaceutica va affrontato tenendo presente i cicli produttivi tipici del settore e focalizzandosi su un concetto di qualità che riguarda non solo il prodotto, ma anche il processo. Da SDG Group un modello predittivo di analisi dei dati per ottimizzare e rendere più efficienti i flussi di produzione, in grado di coprire le esigenze sia della compliance normativa sia del business. Ecco in che modo

11 Mar 2021

Carmelo Greco

Il tema della predictive quality, cioè del riconoscimento precoce dei rischi per la qualità nelle varie fasi del ciclo produttivo, è strettamente connesso ai modelli di Analytics adottati dalle aziende.

Secondo gli ultimi dati dell’Osservatorio Big Data & Business Analytics della School Management del Politecnico di Milano il mercato Analytics italiano vale più di 1,8 miliardi di euro. Sono soprattutto le grandi aziende che continuano a investire in questo ambito, con il manifatturiero tra i settori più attivi. All’interno di questo ampio comparto, il Pharma rappresenta un segmento che la pandemia ha messo sotto i riflettori.

Le strategie di ottimizzazione dei processi produttivi delle aziende farmaceutiche, soprattutto di quelle impegnate nella produzione dei vaccini, hanno subito un enorme stimolo a causa del Covid-19. Tuttavia, si tratta di un percorso che era stato avviato prima che il Coronavirus chiamasse a raccolta gli sforzi della ricerca e dei laboratori di tutto il mondo.

Tra le organizzazioni che hanno affiancato e che stanno affiancando le imprese del Pharma lungo questo percorso spicca SDG Group, società internazionale di management consulting che opera nelle attività di Business Analytics, Corporate Performance Management e Advanced Business Solutions. Alessio Pierattini, manager di SDG specializzato in Advanced Business Analytics, spiega cosa chiede oggi l’industria farmaceutica al mondo degli Analytics e qual è il metodo della sua azienda nel rispondere a questa domanda.

Come sono cambiati i cicli produttivi nel Pharma

«Le linee produttive nel Pharma – spiega Pierattini – hanno dei cicli di vita sempre più brevi. A differenza del passato, quando le aziende farmaceutiche erano abituate ad avere una produzione piuttosto stabile, oggi la tendenza è quella di realizzare piccoli lotti o medicine molto specifiche rivolte a una piccola fetta di utenti.

Se pensiamo ad esempio a quello che sta accadendo con i vaccini per il COVID, fino a un anno fa le linee di produzione non erano concepite per questo tipo di farmaco e le aziende non sanno ancora se il vaccino servirà per i prossimi 10 o 15 anni. Per questo l’obiettivo principale nel Pharma è quello di portare a regime subito, di ottimizzare e massimizzare la produzione per ogni nuovo prodotto».

Alessio Pierattini

Manager di SDG specializzato in Advanced Business Analytics

Un obiettivo che si può raggiungere ricorrendo ai sistemi di Business Intelligence e agli Analytics che abilitano meccanismi di efficienza che non possono prescindere dai processi di validazione e di tracciabilità richiesti in maniera prescrittiva dal settore.

«Recentemente – continua Pierattini – abbiamo integrato tutta la sensoristica di quattro linee di produzione in una Pharma Industry, recuperando in tempo reale le informazioni sia per permettere una rappresentazione grafica del comportamento e dell’andamento del flusso produttivo, sia per prevedere e definire quello che può essere ritenuto un ciclo produttivo perfetto attraverso il nostro modello di machine learning».

Gli indicatori di qualità del settore farmaceutico

I modelli di Analytics applicati al Pharma consentono di determinare dei parametri funzionali alla predictive quality, con una particolare attenzione alla qualità non solo del prodotto finito, ma anche del processo. Ciò significa che i classici indicatori OEE (Overall Equipment Effectiveness) utilizzati in campo manifatturiero non si prestano allo scopo. Basti pensare che la metrica della qualità considerata nell’OEE si riferisce alla percentuale di “pezzi” conformi a quanto programmato. «Anzitutto – sottolinea Alessio Pierattini – c’è un tema di compliance normativa a cui la produzione nel Pharma deve attenersi e di cui i modelli di Analytics devono tenere conto». Quando si parla di quality nel settore farmaceutico, infatti, non bisogna dimenticare che esistono organismi regolatori come l’AIFA (Agenzia Italiana del Farmaco) o la statunitense FDA (Food and Drug Administration) che vigilano sull’intero processo produttivo in vista delle autorizzazioni da rilasciare. «Le audit di questi organismi riguardano ad esempio la revisione dei lotti. In quest’ambito non si parla tanto di analitiche per la predictive quality, quanto di analitiche in senso standard che permettono di generare reportistica che ha valore certificatorio». Anche queste attività obbligatorie possono essere efficientate mediante indicatori di performance che non si limitino a velocizzare i tempi di esecuzione, ma aiutano nell’assicurare che le attività vengano svolte secondo le migliori procedure. «Nelle Analytics – chiarisce Pierattini – vuol dire avere delle dashboard che consentano di svolgere delle revisioni by exception, con delle check list che guidino l’utente nella lettura di dati rilevanti».

Il valore della predictive quality per il Pharma

È partendo da queste basi che si possono introdurre poi quei KPI (Key Performance Indicator) che misurano la predictive quality e che sono diversi dagli indicatori tipici del manifatturiero. «Il concetto di qualità nel farmaceutico va inteso come migliore resa produttiva in base al principio attivo di cui si dispone» aggiunge Pierattini. La qualità, dunque, coincide soprattutto con il miglioramento del processo produttivo e con i calcoli di previsione che lo riguardano. Un calcolo che oggi è possibile effettuare con molto più anticipo grazie alla disponibilità di piattaforme dati con una capacità computazionale rilevante, in grado cioè di raccogliere svariate sorgenti informative da cui ricavare insight consultabili su apposite dashboard.

«Fino a ieri – conclude Alessio Pierattini – i Data Scientist del mondo farmaceutico studiavano la qualità del prodotto finito correlato alle materie prime ragionando con dati di consuntivo o statici. Adesso con i nostri modelli riusciamo a vedere quale sarà la qualità del prodotto in tempo utile affinché gli operatori di linea possano prendere decisioni correttive idonee. Capire quali sono i fattori che determineranno l’impatto sul futuro è quello che porta valore agli operatori di linea e, in generale, alle aziende del Pharma». Un valore che nella predictive quality non attiene solo a prodotto e processo, ma si traduce anche in valore economico.

New call-to-action

@RIPRODUZIONE RISERVATA
G
Carmelo Greco

Articolo 1 di 4