Produktionsoptimierung für Biotechnologie und Pharma mit Hilfe von Simulation

Überblick

Ein Biotech-Startup, das experimentelle, personalisierte medizinische Behandlungen anbietet, wollte eine datengesteuerte Simulation der pharmazeutischen Herstellung durchführen, um Entscheidungsprozesse bei der Lieferung neuer Produkte zu optimieren. Diese Produkte wurden in klinischen Studien getestet und die Herstellungsprozesse waren noch nicht vollständig bestimmt, während die Zulassung durch die US Food and Drug Administration (FDA) ausstand. Das Unternehmen hatte einen Mangel an Ressourcen, aber es war von entscheidender Bedeutung, die Produkte so schnell wie möglich und ohne Ausfälle herzustellen. Darüber hinaus besteht der Herstellungsprozess der Produkte aus aufeinander folgenden Phasen mit einer Gesamtdauer von mehreren Wochen. Für präfinale Patienten war die rechtzeitige Lieferung von entscheidender Bedeutung.

Die Form der hochmodernen personalisierten Behandlung durch das Unternehmen kann insbesondere im Frühstadium äußerst kostspielig sein. Volumenbasierte Einsparungen sind nicht möglich, da die Produkte für jeden Patienten so individuell sind. Während klinischer Studien werden die pharmazeutischen Produkte in sehr kleinen Mengen hergestellt, während sich der Produktionsprozess basierend auf den Reaktionen der Patienten ständig ändert. Das Unternehmen benötigte ein digitales Werkzeug, um die zukünftige Umgebung für die Massenproduktion zu testen und Engpässe zu identifizieren. Die Unternehmensleiter beauftragten Princeton Consultants mit der Entwicklung eines pharmazeutischen Herstellungssimulationsmodells für den zukünftigen Produktionsprozess und der Optimierung der Entscheidungsfindung.

Problemstellung

Princeton Consultants entwickelte ein Modell für die zukünftige Fertigungsprozess- und Anlagenplanungsstrategie auf der Grundlage simulierter Daten, da keine tatsächlichen Daten verfügbar waren. Die Berater mussten die maximale Produktionskapazität ermitteln, die die Anlage ohne Qualitätsverlust erreichen konnte. Das Hauptaugenmerk lag auf der Vermeidung von Produktionsausfällen. Daher mussten mögliche Engpässe erkannt und die Möglichkeiten zur Beseitigung mit Hilfe eines pharmazeutischen Simulationsmodells bewertet werden. Wenn während der Produktion ein Fehler auftrat, musste der zeitaufwändige Prozess von Anfang an neu gestartet werden. Dies bedeutete, dass Ressourcen verschwendet wurden und vor allem hatten Patienten möglicherweise nicht genügend Zeit, um eine Behandlung zu erhalten.

Eine kleine Anzahl von Maschinen, die in verschiedenen Phasen eingesetzt wurden, waren an ungefähr 50 Prozent der Produktion beteiligt. Diese Ausrüstung war teuer und sperrig und konnte nicht ergänzt werden. Die Optimierung ihrer Verwendung erforderte die Priorisierung der Produkte und Verfahren in verschiedenen Produktionsphasen, abhängig davon, wie schädlich eine Verzögerung in jeder Phase sein könnte.

Eine weitere knappe Ressource war Personal. Hochqualifizierte Bediener führten einige Verfahren von Anfang bis Ende durch, auch wenn sie mehrere Stunden dauerten. Während bestimmter Vorgänge konnten die Bediener nicht ersetzt werden. Infolgedessen dauerten die Schichten 10-12 Stunden, einschließlich vier bis fünf Stunden pro Tag im Behandlungsraum. Überstunden waren sehr kostspielig und mussten minimiert werden.

Als das Pharmasimulationsprojekt begann, stieß das Team von Princeton Consultants auf ungewöhnliche Modellierungsprobleme, die mit speziellen Anforderungen verbunden waren.

• Die Entwickler verfügten nicht über Statistiken und Metriken, um zu bestätigen, dass das pharmazeutische Simulationsmodell richtig funktionierte, da der pharmazeutische Herstellungsprozess selbst nicht vollständig bestimmt war.
• Um Prozessunterbrechungen zu vermeiden, wurden große Pufferintervalle eingeführt. Diese Richtlinie minimierte erfolgreich Ausfälle, führte jedoch auch zu Stillstandszeiten für knappe Geräte, da die Maschinen die meiste Zeit über nicht verwendet wurden. Es war notwendig, ein Gleichgewicht zu finden und die minimale Pufferzeit zu bestimmen, die zur Reduzierung von Ausfällen erforderlich ist.
• Der Simulationslauf wurde für 80 bis 120 Tage durchgeführt, was den Planungsalgorithmus erheblich verlangsamte. Tatsächlich wurden 90 Prozent der Zeit für die Planung und nicht für den eigentlichen Simulationslauf aufgewendet.

Darüber hinaus war die Planung für mehrere Produkte komplex, da sie gleichzeitig mit denselben knappen Ressourcen hergestellt wurden. Diese Ressourcen mussten erhalten bleiben, um Herstellungsausfälle zu vermeiden. Ziel der pharmazeutischen Herstellungssimulation war es, Verfahren zu priorisieren, Ausfälle zu minimieren, den effizienten Einsatz von Ressourcen zu erhöhen, die Gesamtproduktionsdauer zu verkürzen und Überstunden für die Bediener zu minimieren.

Lösung

Princeton Consultants entschied sich für AnyLogic als Plattform für die Entwicklung des Modells, da es die Möglichkeit bot, agentenbasierte und ereignisorientierte Ansätze in einem Modell zu kombinieren. Für die Modellentwicklung war es vorteilhaft, dass die AnyLogic Software ein anpassbares Experiment-Framework enthielt, das die Bewertung und den Vergleich von Szenarien erleichterte. AnyLogic ist eine auf Java basierende Software, so dass die Modellierer eine Solver-API einführen konnten.

Demo des pharmazeutischen Simulationsmodells

In den frühen Entwicklungsstadien spiegelte das Modell den Prototypenprozess wider, der für die klinischen Versuche existierte. Die Richtigkeit des grundlegenden Modellverhaltens wurde anhand dieses Prototypenprozesses überprüft. Anschließend wurden Prozessänderungen durchgeführt und neue Funktionen hinzugefügt. Nach jeder Iteration wurden intensive Tests durchgeführt. Detaillierte Ergebnisse und Schlüsselkennzahlen wurden von den Projekt- und Kundenteams verfolgt und überprüft, um festzustellen, ob sie angesichts der Annahmen plausibel waren.

Um das optimale Puffervolumen zu ermitteln, wurde eine Simulation mit verschiedenen Parametern und Szenarien durchgeführt, wobei Risiko und Ertrag entsprechend der Anzahl der Ausfälle abgewogen wurden. Die Ergebnisse der pharmazeutischen Herstellungssimulation lieferten ein besseres Verständnis der Zeitprobleme für die Feinabstimmung der Puffergröße.

Dynamische Ereignisse, Halteblöcke und Zeitüberschreitungen wurden verwendet, um zu verwalten, wie sich Agenten durch Punkte mit eingeschränkten Ressourcen im Prozess bewegten. Manchmal wurden sie aus bestimmten Prozessablaufblöcken entfernt und in einen vorherigen Teil des Ablaufs eingefügt. Der aktuelle und zukünftige Status jedes Agenten und die daraus resultierende Planungsflexibilität wurden verfolgt und an den Planer übergeben.

Durch das Setzen der vorherigen Lösung bei Aufruf des Modells konnte die Lösungszeit erheblich verkürzt werden. Auch eine neue Logik für die Umplanung wurde implementiert. Das Projektteam plante nicht stündlich neu, sondern nur dann, wenn dies erforderlich war, z. B. wenn die Verarbeitung eines Produkts erfolglos war und neu gestartet werden musste. Durch die Verkürzung des Planungshorizonts auf ein zuverlässigeres Fenster wurde die Leistung ebenfalls verbessert.

Ergebnisse

Die pharmazeutische Herstellungssimulation sparte Monate an Entwicklungszeit und ermöglichte es dem Biotechnologie-Startup potenzielle Änderungen des Herstellungsprozesses zu bewerten, bevor die Anlage fertiggestellt war. Das Modell war maßgeblich für die Feinabstimmung von Prozessbereichen, die am wahrscheinlichsten zu Fehlern oder übermäßigem Ressourcenverbrauch führen. Als Ergebnis wurde ein besserer, zuverlässigerer Planungsalgorithmus entwickelt.

Basierend auf den Simulationsergebnissen stellten Princeton Consultants fest, dass einige der vorgeschlagenen Änderungen zu einer besseren Prozessarchitektur führen würden, die aber dem bereits begrenzten System auch zusätzliche Ressourcenanforderungen auferlegen würden. Die Unternehmensleiter beschlossen, die Forschungsanstrengungen auf kritische Bereiche zu konzentrieren, um die Nutzung von Ressourcen mit einer hohen Auslastung zu verkürzen. Mit Hilfe der Simulation konnte ermittelt werden, wie viele Bestellungen für einen bestimmten Zeitraum verarbeitet werden konnten und wie viel Zeit für die Erfüllung dieser Bestellungen notwendig sein würde. Das Unternehmen sammelte wertvolle Einblicke in den pharmazeutischen Herstellungsprozess und definierte daraufhin Planungsrichtlinien, um die Bediener optimal, d. h. ohne übermäßige Überstunden oder Überbesetzung, zu nutzen.

Sehen Sie sich das Video von Patricia Randall an, die diese Fallstudie bei The AnyLogic Conference präsentierte. Sie können auch die Präsentationherunterladen.