碎片化让情况变得更糟。 当数据不集中时，质量团队花费更多时间寻找数据而不是实际审查它们。 手动传输过程中会出现错误。 版本控制成为一个问题。 而且由于时间表是由法规确定的，随着最后期限的临近，压力会加剧。
经常被忽视的是机会成本。 从事这项工作的人 经验丰富的质量专业人员 不做低技能的任务。 他们被从偏差调查、供应商审核、流程改进项目以及真正提高产品质量的分析中抽离出来。 审核成为取代真正高质量工作的瓶颈。
不可持续性变得越来越难以忽视。 随着产品组合的增长和监管期望的提高，手动方法无法扩展。 更多产品意味着更多评论、更多数据源、更多时间 人员数量不按比例增加。
自动化数据整合、工作流程路由和报告起草从根本上解决了问题。 它不能取代质量判断 它消除了隐藏它的管理开销。 团队仍然拥有分析和决策权； 他们只是在实现这一目标的机制上花费的时间少得多。
对于制药质量职能部门来说，这种转变不仅仅是效率的提高。 这是一种返回功能实际应该执行的功能的方法。
为什么手动 APQR 流程失败
质量团队通常要花费 70 到 120 个小时来进行单个产品审核。 这个数字听起来很大，直到您了解时间实际去向 而且很少进行分析。
大部分时间都用于查找数据。
信息分散在 LIMS、ERP、QMS 和多年来积累的大量电子表格中。 批次记录存在于一个系统中，投诉存在于另一个系统中，稳定性完全来自于其他系统。 这项工作变成了在工具之间复制粘贴数字、在 Excel 或 Minitab 中手动重建图表以及追踪本应在几分钟内访问的记录。 它很慢、重复性强，而且每次手动传输都有可能出现问题。
与任何在制药厂负责质量管理的人交谈，他们都会告诉您同样的事情：
APQR 季节是他们一年中最害怕的部分。
一位质量经理保留了一份专用电子表格，只是为了在实际工作开始之前跟踪哪些批次仍需要使用跟踪工具提取数据来进行跟踪工作。 另一些人在日历上划出了整整三周，没有会议，只是为了有足够的不间断时间来编写报告。 这些并不是不寻常的解决方法。 它们是尚未找到更好方法的站点的标准操作程序。
这就是训练有素的质量专业人员正在花费他们的专业知识的地方。
效率低下令人沮丧。 下游后果是严重的。
当跨断开的系统手动组装数据时，审计跟踪变得不完整。 版本历史变得模糊。 数据完整性 药品监管中最受审查的领域之一 在压力下变得难以证明。 当 FDA 或 EMA 前来检查时，从一堆电子表格和电子邮件中重建可靠的合规记录确实像听起来一样困难。
监管风险是真实的。 FDA 在 2021 年发出了 149 封警告信，APQR 文件不完整或不充分是这些调查结果中反复出现的问题。 这不是文档问题 这是一个系统问题。 手动流程不会生成监管机构希望看到的干净、可追溯的记录。
数据碎片：核心问题
无人谈论的数据问题
制药公司不会在一个系统上运行。 它们在多个系统上运行，而这些系统并不是为了相互通信而设计的。
制造在 MES 中运行。 实验室在 LIMS 之外开展工作。 质量以 QMS 为基础。 每个平台都是针对其功能而构建的，针对其用户进行了优化，并且基本上不关心其他平台在做什么。 对于日常运营来说，这是可以管理的。 对于 APQR 来说，这是问题的核心。
必须有人手动桥接这些系统。 这意味着登录 LIMS 以提高稳定性 结果，切换到 ERP 来获取产量和产量数据，请求制造过程中的批次记录，这些记录通常以扫描的 PDF 形式返回 并从 QMS 中提取投诉日志。 每个系统都使用自己的日期格式、自己的产品代码和自己的命名约定。 在进行任何分析之前，分析师需要花费数小时将数据转换为 Excel 可接受的格式。 VLOOKUP 用于匹配批次号。 手动重新格式化列。 当不同来源的数据不一致时重新计算平均值。
这是在数据管道问题上使用的熟练分析工作。
碎片化带来的风险不仅仅是浪费时间。
当数据存在于不同的系统中时，数据集之间无法建立连接，不是因为没有人在查看，而是因为没有一个地方可以同时显示所有内容。 制造中标记的偏差和质量管理体系中记录的投诉模式可能讲述的是同一个故事。 但是，如果处理每个问题的团队从不同的来源获取信息，那么双方都无法看到全局。
这种差距会产生后果。 如果两个数据流从未交叉，则在制造偏差和客户投诉中反复出现的包装缺陷可能会在数月内失去联系。 当有人注意到这种模式时，问题的持续时间已经远远超过了应有的时间。 早期干预的窗口已经关闭。
问题不在于质量团队没有关注。 而是该系统使注意力变得比实际需要的更加困难。
隐藏的运营成本
手动 APQR 准备的成本很少被明确计算。 但这并不难解决。
以一家中型制药公司为例，该公司有 50 种产品需要进行年度审查。 按每个产品 100 小时计算，分析师每年需要花费 5,000 小时的时间进行数据收集、格式化和报告组装。 按每小时 45 美元的平均负载成本计算，每年直接人工费用可节省 225,000 美元 这还不包括加班、错误返工或因本应从事这些工作的人员被埋在电子表格中而被推迟的项目。
对于较大的项目组合，数字会相应缩放。 随着产品数量的增加，该过程并不会变得更加高效。 它只会变得更长。
财务数字非常可观。 它没有捕捉到工作人员正在发生的事情。
一位质量总监最近描述了她团队中的 APQR 季节：连续六个周末、强制加班以及实际上关闭所有其他优先事项的日历。 在过去的三年里，她失去了两名团队成员。 两人都将年度审查周期视为他们离开的主要原因。这并不是一个孤立的故事。 当审核、产品发布或监管提交与 APQR 季节在同一个窗口进行时（他们经常这样做），因为日历不会根据工作量自行安排 压力快速复合。 已经捉襟见肘的团队开始做出权衡：走捷径，审查匆忙，而拥有最多机构知识的人最有可能精疲力竭并离开。
更深层次的问题是哪些事情没有完成。
当质量团队忙于数据收集和报告格式化时，持续改进工作就会陷入停滞。 根本原因调查被推迟。 供应商绩效评估得到推动。 那些真正能够减少未来质量问题的活动，会被记录已经发生的问题的管理压力所边缘化。
这就是保留流程手册的真正成本，不仅仅是时间和金钱，而是永远不会发生的质量工作，因为没有能力做到这一点。
AmpleLogic 如何APQR 软件改变游戏规则
解决问题的实际情况
数据碎片问题有一个简单的解决方案：停止在系统之间手动移动数据，而是构建一个连接它们的层。
AmpleLogic 直接从 LIMS、eQMS、MES、ERP 和其他系统中提取数据 将源系统集成到单一环境中。 提取会根据实际数据库自动进行，而不是通过 expo rts，不是通过复制粘贴，也不是通过某人依次登录五个不同的平台。 当数据输入时，它会一致地输入，无需当前消耗大部分手动流程的重新格式化和协调工作。
从那里，平台处理过去需要单独统计包的内容。
自动数据聚合意味着系统连接到现有基础设施并提取所需字段，而无需人工干预。 分析师看到的是整合的数据，而不是来自等待清理的断开源的原始导出数据。
内置统计工具取代了大多数团队目前依赖的 Excel 和 Minitab 工作流程。 自动计算平均值、标准差、范围和其他标准指标。 超出趋势的结果会被标记。 短途旅行突出显示。 系统进行计算； 分析师评估结果。
根据需要生成包含 Cp、Cpk 和 Nelson 规则分析的六包报告。 尼尔森规则识别过程数据中的非随机模式 仅从汇总统计数据来看，这些变化、趋势和周期是不明显的。 手动流程很少能在每个产品、每个周期中一致应用这些内容。
人工智能驱动的 OCR 提取可处理从未进入结构化系统的记录、扫描批次文档、历史 PDF、仅以图像形式存在的纸质记录。 该系统提取相关数据点并以简单的语言总结调查结果，这大大减少了每次手动审核尾部的叙述性写作。
完整的审计跟踪和版本控制意味着每个数据输入、每个评论和每个批准都带有时间戳并归因于特定用户。 如果没有记录，任何内容都不会被覆盖。 保留以前的版本。 当监管机构询问数字是如何得出的或谁批准了某个部分时，答案已记录在案 并非事后必须重建的东西。
真实世界结果
Bharat Serums 和 Vaccines 等公司已采用 AmpleLogic。 他们报告说，手动 APQR 流程会导致延误、数据错误和监管风险。 实施后，准备时间显着缩短，合规性也得到改善。
我审查了几个 AmpleLogic 客户的实施案例研究。 一家中型制造商将每个产品的 APQR 准备时间从 80 小时减少到 15 小时以下。 另一个职位取消了专门负责管理 APQR 数据收集的全职承包商职位。 有几家报告称通过了监管检查，但与质量审查文件相关的发现较少。
人为错误的减少尤其值得注意。 在手动流程中，大约 1-3% 的字段会出现数据输入错误。 当乘以数千个数据点时，这些错误就成为审计结果。 自动提取和传输将数据聚合步骤的错误率降低到接近零。
持续审核优势
传统的 APQR 模型存在一个仅靠自动化无法完全解决的结构性问题：它仍然是每年一次的练习。 数据会被回顾，问题会在事后被识别，当人们采取行动时，报告中的发现已经是几个月前的事了。
AmpleLogic 对此的处理方式有所不同。 “随时 PQR" 背后的想法是简单的质量数据不应该休眠十一个月，然后匆忙收集在一起。 它应该持续可用，以便团队可以在发生时看到正在发生的情况。
在实践中，这会改变质量日常运作的方式。
团队可以在偏差发生时调查偏差，而不是在第一季度花几周时间来重建去年的数据。 当生产或研发提出问题时，他们可以进行分析，而不是等待下一个审查周期有理由进行检查。 当管理层要求质量更新时，答案不需要一周的准备 数据已经是最新的。
趋势监控的工作方式相同。 团队无需回顾 12 个月的批量数据并尝试确定某些内容开始出现偏差的位置，而是可以看到偏差的发展情况，并在其成为正式发现之前做出响应。当新产品出现时，连续模型也会产生真正的影响。
采用传统方法，新产品的第一年 APQR 意味着回顾早期批次，将从未考虑年度审核的记录中的基线指标拼凑在一起。 这是一个已经很困难的过程的更混乱的版本之一。
当从第一批开始跟踪数据时，这个问题就消失了。 基线指标很早就建立了。 随着产品规模的扩大而跟踪性能。 当正式审查到来时，它是一直受到监控的数据的汇编，而不是在截止日期压力下重建历史。
从年度活动到持续实践的转变不仅仅是操作上的改进。 这是对质量监督应该是什么样子的更诚实的反映。
为什么这对患者安全很重要
效率和合规性在这些对话中得到了大部分关注。 但还有一些更根本的问题。
当数据位于断开连接的系统中时，当分析师匆忙收集数据以满足最后期限时，当统计计算是手工完成时 错过某些东西的机会就会增加。 并不是因为从事这项工作的人粗心。 因为这些条件使得彻底性变得比应有的更加困难。
隐藏在批量数据中的关键趋势。 只有当你纵观全年时，这种抱怨模式才会显现出来。 产量偏差没有触发警报，因为没有人有时间正确计算数字。 这些是手动过程中漏掉的东西 在制药行业，漏掉的东西最终会到达患者手中。