Fragen Sie einen Qualitätsverantwortlichen, wie das Stabilitätsprogramm im Arbeitsalltag tatsächlich abläuft, und die Antwort deckt sich selten mit dem sauberen Prozess, der in der SOP beschrieben ist. Proben liefern Daten aus mehreren Auftragslabors. Contract Development and Manufacturing Organizations (CDMOs) schicken Ergebnisse als PDF-Dokumente, gescannte Tabellen oder E-Mail-Anhänge – jedes Mal ein bisschen anders formatiert. Eine Qualitätsanalystin oder ein Qualitätsanalyst tippt diese Zahlen dann von Hand in eine Excel-Tabelle oder eine LIMS-Importvorlage ab, bevor überhaupt jemand mit der ICH-Q1E-Regression beginnen kann.
Das ist kein hypothetisches Szenario. Das ist der Alltag der meisten Pharmaunternehmen, die auf ausgelagerte Fertigung und Prüfung setzen – und das sind heute die meisten. Lange bevor eine Haltbarkeitsaussage berechnet wird, haben sich im Stabilitätsprozess durch Übertragungsfehler und Versionsverwirrung bereits Risiken angesammelt.
Outsourcing hat ein Problem gelöst – und ein neues geschaffen
Die Verlagerung hin zu CDMOs und Auftragslabors hat triftige Gründe. Sie ermöglicht es Herstellern, Kapazitäten zu skalieren, auf spezialisiertes Know-how zuzugreifen und interne Ressourcen auf Formulierung und klinische Entwicklung zu konzentrieren, statt eigene Prüfinfrastruktur aufzubauen. Doch dabei wurde auch der Datensatz aufgesplittet, von dem jede behördliche Einreichung, jede Haltbarkeitsentscheidung und jede Inspektion abhängt: die Stabilitätsdaten.
Jeder Partner hat sein eigenes LIMS, seine eigene Berichtsvorlage und seine eigene Art, Chargen und Zeitpunkte zu benennen. Das vollständige Stabilitätsbild eines einzelnen Produkts kann sich verteilen auf:
- PDF-Analysedokumente von zwei oder drei Prüflabors
- Gescannte, handschriftliche Protokolle aus einer Lagerkammer
- Excel-Exporte mit uneinheitlichen Spaltenüberschriften
- E-Mail-Verläufe, die auffällige Trendabweichungen bestätigen
Die Herausforderung bei dieser Vielzahl an Datenquellen: Die Daten kommen in einer Form an, die niemand direkt analysieren kann. Sie in etwas Nutzbares zu verwandeln, wird zu einer manuellen, sich wiederholenden und fehleranfälligen Aufgabe – mitten auf dem kritischen Pfad jeder Einreichung.
Die Kosten der manuellen Zusammenführung
Für Qualitätsanalysten und Chargen-Prüfer zeigt sich diese Fragmentierung als konstanter Zeitfresser. Jeder neue Satz CDMO-Ergebnisse bedeutet erneutes Abtippen, Umformatieren und Abgleichen, bevor die eigentliche Statistik – Pooling-Tests, Regression, Haltbarkeitsschätzung – überhaupt beginnen kann. Für QA-Verantwortliche, die sich auf eine Inspektion vorbereiten, bedeutet das etwas Ernsteres: Sie müssen im Nachhinein, oft unter Zeitdruck, aus Dateien belegen können, „wie man von den Rohdaten zu diesem Ergebnis gekommen ist“ – Dateien, die über verschiedene Systeme und manchmal auch über die Postfächer verschiedener Personen verstreut liegen.
Aus dieser Art von Fragmentierung ergeben sich in der Regel drei direkte Konsequenzen:
Die Reproduzierbarkeit leidet.
Wenn Stabilitätsanalysen für jeden Berichtszyklus von Hand in Tabellenkalkulationen neu aufgebaut werden, kann derselbe Datensatz je nach Bearbeiter oder Bearbeiterin leicht unterschiedliche Ergebnisse liefern. Das ist ein schwieriger Zustand bei einer behördlichen Inspektion, bei der Konsistenz und Nachvollziehbarkeit geprüft werden.
Pooling- und Haltbarkeitsentscheidungen werden schwerer zu rechtfertigen.
ICH Q1E verlangt eine belastbare, statistisch fundierte Begründung dafür, ob Chargen zu einer gemeinsamen Haltbarkeitsaussage zusammengefasst werden können. Wenn CDMO-Daten manuell in diese Analyse einfließen, steigt das Risiko, dass ein Schritt übersprungen, eine Charge falsch codiert oder ein Poolability-Test uneinheitlich über verschiedene Produkte hinweg angewendet wird.
Die Uhr tickt weiter.
Die Zeit zwischen der Lieferung von CDMO-Ergebnissen und dem Moment, in dem das QA-Team darauf reagiert, wird oft eher in Wochen als in Tagen gemessen – schlicht wegen der manuellen Zwischenschritte. Für ein Produkt, das auf eine Haltbarkeitsentscheidung für einen Launch oder eine Chargenfreigabe wartet, ist diese Verzögerung keine Kleinigkeit. Sie liegt direkt auf dem Weg zur Marktreife.
Wann Stabilitätsdaten wirklich bereit für Analysen sind
Im Gespräch mit Kunden über ihre Stabilitätsprogramme taucht immer wieder dasselbe Muster auf: Oberste Priorität ist der einfache Zugriff auf alle Daten. Und an zweiter Stelle steht das Vertrauen darauf, dass die Zahlen, die in das ICH-Q1E-Modell einfließen, korrekt, vollständig und bis zur Quelle rückverfolgbar sind – ganz gleich, von welchem CDMO oder Labor sie stammen. In der Praxis müssen dafür einige Dinge geschehen, bevor überhaupt eine Regression oder ein ANCOVA-Poolability-Test läuft:
- Unstrukturierte Dokumente – ob PDF, Scan oder E-Mail – müssen zu strukturierten, validierten Daten werden, ohne dass sie jemand von Hand abtippt.
- Jeder Wert braucht eine klare, prüfbare Verbindung zu seinem Ursprung: welches Labor, welche Charge, welcher Zeitpunkt.
- Derselbe statistische Prozess muss jedes Mal gleich ablaufen, unabhängig davon, wer ihn angestoßen hat.
Genau diese Lücke schließt die StatSoft Stability Suite. Statt Analystinnen und Analysten CDMO-Unterlagen von Hand abtippen zu lassen, liest sie unstrukturierte Dokumente von jedem Partner ein und wandelt sie automatisch in saubere, strukturierte Stabilitätsdaten um. Diese Daten können anschließend von einem Menschen geprüft und validiert werden. Das vollständige ICH-Q1E-Modell – inklusive ANCOVA-Poolability, Regression, Vorhersagetabellen, unterer Konfidenzgrenze für die Haltbarkeit und Residuendiagnostik – läuft dann jedes Mal reproduzierbar auf diesen Daten, mit elektronischen Signaturen und Audit-Trails, die von Anfang an auf 21 CFR Part 11, EU-GMP Annex 11 und ALCOA+ ausgelegt sind.
Wie ein Stabilitätsprozess auch bei ausgelagerter Fertigung funktioniert
Für Teams, die ihren eigenen Stabilitäts-Workflow unter die Lupe nehmen, machen ein paar praktische Ansatzpunkte oft den größten Unterschied:
Sichtbar machen, wo die Fragmentierung tatsächlich entsteht.
Bevor Sie Werkzeuge austauschen, verfolgen Sie den Weg der Stabilitätsdaten eines einzigen Produkts – vom Moment, in dem ein CDMO sie erzeugt, bis zu dem Moment, in dem sie in einer Einreichung landen. Die meisten Teams sind überrascht, wie viele manuelle Übergaben dazwischenliegen.
Datenerfassung von Datenanalyse trennen.
Selbst ohne neue Software hilft es, „saubere Daten hereinbekommen“ als eigenen Schritt zu behandeln, getrennt von der eigentlichen Statistik. So wird sichtbar, wo Fehler entstehen und wo Standardisierung am meisten bringt.
Berichte auf Knopfdruck statt Ad-hoc-Zusammenstellung aufbauen.
Ob Management-Zusammenfassung, Analysezertifikat, Validierungsbericht oder vollständiger ICH-Studienbericht: Berichte, die auf Abruf aus validierten Daten erzeugt werden, machen es überflüssig, sie für jede Einreichung von Hand neu zusammenzubauen.
Flexible Bereitstellung einplanen.
Nicht jede Organisation kann ihre Stabilitätsdaten sofort in die Cloud verlagern. Lösungen, die sich sowohl in einer verwalteten Cloud als auch im eigenen Rechenzentrum oder vollständig On-Premises in einer validierten Umgebung betreiben lassen, erleichtern die Modernisierung des Prozesses, ohne vorher die IT-Richtlinien neu verhandeln zu müssen.
Vom Bottleneck zu Wettbewerbsvorteil
Das Stabilitätsmanagement liegt auf dem kritischen Pfad fast jeder pharmazeutischen Markteinführung, Einreichung und Inspektion. Solange es von der manuellen Zusammenführung von CDMO-Unterlagen abhängt, verhält es sich wie eine Kostenstelle: langsam, fehleranfällig und bei Audits ein heikles Thema. Wird die Datenpipeline vom Partner bis zum Dossier durchgängig automatisiert und validiert, hört Stabilität auf, ein Engpass zu sein. Sie wird zu dem, was sie eigentlich sein sollte: eine Quelle von Geschwindigkeit und Sicherheit für Haltbarkeitsentscheidungen, Chargenfreigaben und behördliche Einreichungen.
Die zugrunde liegenden Daten haben sich nicht verändert. Was sich ändert, ist, wie schnell und verlässlich ein Team sie in eine Entscheidung verwandeln kann, hinter der es stehen kann.
