Capaciteit tot capaciteit in de farmaceutische industrie in de VS

In augustus 2026 hadden farmaceutische bedrijven aangekondigd grofweg 500 miljard USD in Amerikaanse investeringen op het gebied van onderzoek, ontwikkeling en productie. Maar een faciliteit bouwen is niet hetzelfde als productieklaar zijn. Om nieuwe capaciteit om te zetten in betrouwbare productiecapaciteit is het nodig om therapie en procesontwikkeling op één lijn te brengen met apparatuur en ondersteunende infrastructuur en activiteiten. Het doel is om geneesmiddelen van hoge kwaliteit te produceren op de vereiste schaal, waar patiënten ze nodig hebben.

Fabrikanten moeten ook reageren op kwetsbaarheden in de toeleveringsketen, kostendruk en beperkingen voor geschoold personeel en tegelijkertijd voldoen aan de wettelijke vereisten. Het toevoegen van capaciteit lost op zichzelf deze druk niet op. Steeds complexere therapieën, onzekere klinische resultaten en een evoluerende vraag maken het moeilijker om wetenschappelijke innovatie om te zetten in een betrouwbaar aanbod. Fabrikanten moeten met die onzekerheid omgaan, van klinische ontwikkeling tot commercialisering.

Die mogelijkheid begint al voor de eerste commerciële batch. Een proces dat voorziet in vroege klinische onderzoeken moet evolueren om studies in een later stadium en de commerciële vraag te ondersteunen. Fabrikanten moeten de bedrijfsomstandigheden optimaliseren voor verschillende volumes, apparatuurconfiguraties en batchgroottes, met behoud van de beoogde kwaliteitskenmerken van de therapie. Teams moeten de therapie en het bijbehorende proces samen ontwikkelen en onzekerheid vroegtijdig oplossen. Ze moeten ook de kennis behouden die nodig is om het proces over te dragen en te reproduceren als de vereisten veranderen.

Door sneller een stabiele productie te bereiken, kunnen fabrikanten klinische programma's en productlanceringen ondersteunen en de waarde realiseren die ze van hun investering verwachten. Om dit kosteneffectief te doen, is coördinatie nodig over twee complementaire levenscycli. Het ene heeft betrekking op de ontwikkeling van de therapie en het productieproces ervan. Het andere omvat de productiecapaciteiten die nodig zijn om het te produceren, van ontwerp tot bediening. De kwaliteitseisen van het product zijn de leidraad voor het procesontwerp. Inzicht in processen vormt de basis voor engineering, en productie-ervaring versterkt latere ontwikkelingsbeslissingen.

Ontdek manieren om de paraatheid van de productie te verbeteren

Evalueer de gereedheid voor de productie van farmaceutische producten na de bouw

Het werk begint met de manier waarop fabrikanten de voortgang in de richting van de productie beoordelen. Op een projectdashboard zou kunnen blijken dat een site „85 procent voltooid” is, maar dat percentage alleen geeft nog geen indicatie van de operationele paraatheid. Een onopgeloste vraag over procesbeheersing of prestaties van nutsvoorzieningen kan voor het opstarten belangrijker zijn dan het percentage doet vermoeden.

De vraag is hoeveel onzekerheid er nog is en of dat de klinische levering of de lancering van een product zou kunnen vertragen. Voor een uitbreiding of een transfer naar een andere locatie is hetzelfde onderzoek vereist. Het proces moet binnen de mogelijkheden en beperkingen van de ontvangende operatie verlopen. De gevolgen zijn zowel commercieel als technisch. Onopgeloste onzekerheid kan de levering vertragen, meer werk vergen om het proces te kwalificeren en ervoor zorgen dat dure productiemiddelen te weinig worden gebruikt.

Om een procesonderbreking op te lossen, is samenwerking nodig tussen teams op het gebied van productiewetenschap en -technologie, procesontwikkeling, kwaliteit, engineering en faciliteiten. Die relaties zijn even belangrijk tijdens de ontwikkeling als voordat de productie begint. Wetenschappelijk bewijs, procesdefinities en technische informatie kunnen via documenten en systemen worden doorgegeven die niet met elkaar verbonden zijn. De redenering achter een formuleringskeuze of procesparameter kan gaandeweg verloren gaan. In een pakket voor technologieoverdracht kan worden beschreven wat u moet doen zonder te onthouden waarom het belangrijk is of welke kwaliteitskenmerken het beschermt. Het kan er ook voor zorgen dat de ontvangende teams niet zeker weten hoe hun apparatuur zich aan de vereiste omstandigheden kan aanpassen.

Digitale tweelingen kunnen teams helpen bij het evalueren van procesgedrag en aannames van apparatuur voordat ze een fysiek systeem bouwen of aanpassen. Een continue digitale thread kan de relaties bewaren tussen wetenschappelijk bewijs, materiaaleigenschappen, procesparameters, apparatuurcapaciteiten en kwaliteitsresultaten. Teams kunnen deze relaties traceren door middel van ontwikkeling, technologieoverdracht en productie. Modellen, experimentele gegevens en de redenering achter ontwikkelingsbeslissingen kunnen met het proces worden aangepast, van laboratoriumonderzoek via klinische levering tot commerciële productie. De ontvangende teams kunnen beoordelen welke omstandigheden consistent moeten blijven en welke kunnen veranderen, waardoor herhaalde experimenten en vermijdbare inspanningen voor technologieoverdracht worden beperkt. De bedrijfsresultaten kunnen dan als basis dienen voor verdere ontwikkeling en engineering. Als hiaten vroegtijdig worden geïdentificeerd, kan dit leiden tot minder herontwerp, herhaalde tests en het werk dat nodig is om het proces te kwalificeren, terwijl beslissingen nog steeds gemakkelijker te wijzigen zijn.

Onzekerheid over processen bij klinische ontwikkeling en opschaling oplossen

Scale-up stelt procesinzicht op de proef tijdens de hele ontwikkeling. Een mengschema dat in een klein vat werkt, kan op pilootschaal of op commerciële schaal anders werken. Verandering van vloeistofstroom, warmteoverdracht en massaoverdracht, afhankelijk van de schaal en geometrie van de apparatuur. Teams moeten die effecten begrijpen naarmate de batchgrootte tussen klinische stadia toeneemt. Hetzelfde geldt wanneer verschillende apparatuur of locaties nodig zijn om aan de leveringsvereisten te voldoen.

Timing is belangrijk. Door tijdens de ontwikkeling alternatieve volumes, bedrijfsomstandigheden en apparatuurconfiguraties te evalueren, hebben teams meer ruimte om zich aan te passen. Om na de installatie een discrepantie te ontdekken, kunnen wijzigingen nodig zijn tussen apparatuur, software, test- en kwalificatiedocumentatie. Het technische probleem is misschien hetzelfde, maar gemiste kwaliteits- of rendementsdoelstellingen hebben nu grotere gevolgen voor het bedrijfsleven. Een late ontdekking kan schaarse technische middelen vergen, het klinische aanbod verstoren en de productie op commerciële schaal vertragen.

Modellering en simulatie brengen het daaruit voortvloeiende leren eerder in de levenscyclus. Procesmodellen hebben betrekking op chemische en biologische vraagstukken, terwijl de vloeistofdynamica helpt om het gedrag van apparatuur op schaal te verklaren. Virtuele inbedrijfstelling test de automatiseringslogica aan de hand van gesimuleerde apparatuur of processen voordat het fysieke systeem beschikbaar is. Deze benaderingen stellen teams in staat om productieopties te vergelijken en de bedrijfsomstandigheden op verschillende volumes te onderzoeken. Het nut ervan hangt af van de vraag of elk model de beoogde toepassing voldoende weergeeft. Naarmate experimenten en productieruns bewijzen toevoegen, kunnen teams de modellen verfijnen. Dit helpt hen om zich te concentreren op fysieke tests, het proces te optimaliseren en vooruitgang te boeken in de richting van een geschaalde productie.

De teams voor chemische ontwikkeling van J&J Innovative Medicine in België gebruikte een digital process twin om een nieuw proces te evalueren voordat het werd opgeschaald. De aanpak werkte op laboratoriumschaal, maar de relevante parameters veranderden toen het team naar industriële schaal keek. Het model voorspelde dat de voorgestelde configuratie op die schaal niet zou werken. Het team zou verdere fysieke tests met die configuratie kunnen vermijden en de ontwikkelingsmiddelen kunnen richten op meer veelbelovende alternatieven. Digitaal bewijs is geen vervanging voor kwalificatie en procesvalidatie op commerciële schaal.

De Proefprogramma van PreCheck van de Amerikaanse Food and Drug Administration (FDA) weerspiegelt de waarde van een eerdere opdracht. Er worden geselecteerde fabrikanten ingeschakeld tijdens de ontwikkeling en preproductie van faciliteiten in nieuwe Amerikaanse fabrieken; uitbreidingen van bestaande faciliteiten zijn uitgesloten. Door middel van preoperationele beoordelingen evalueert de FDA informatie over het ontwerp en de gereedheid van de faciliteit en geeft ze vroegtijdig technische begeleiding. Het doel is om problemen met de faciliteiten en de gereedheid van de productie vroegtijdig te identificeren en het risico op vertragingen verderop te beperken. Het programma is ook bedoeld om de tijdige beoordeling en inspectie van faciliteiten in het kader van het aanvraagbeoordelingsproces te ondersteunen. Hoewel deelname geen garantie is voor goedkeuring of inspectieresultaten, kan een vroege betrokkenheid helpen om de verwachtingen te verduidelijken, een efficiënter beoordelingsproces te ondersteunen en vermijdbare vertragingen te beperken.

Ontdek hoe simulatie schaalvergroting ondersteunt

De productie-infrastructuur afstemmen op de proces- en leveringsvereisten

Het begrijpen van het proces is een onderdeel van het vaststellen van de paraatheid. Het leveren van de vereiste hoeveelheid en kwaliteit hangt ook af van de manier waarop productieapparatuur, materiaalstromen en ondersteunende infrastructuur samenwerken. Die capaciteiten moeten voldoen aan het therapieproces en de leveringsvereisten. Dit zijn onder meer de batchgroottes, productielocaties en geloofwaardige toekomstige toepassingen die de operatie moet ondersteunen.

Het Apollo 11-project voor farmaceutische productie in Greenfield van Roche in North Carolina illustreert deze aanpak. In samenwerking met ons en andere technologiepartners gebruikt Roche digitale tweelingen en productiesimulatie om ontwerpbeslissingen te evalueren. Het team begon met het vergelijken van twee lay-outs en het simuleren van materiaal- en personeelsstromen voordat een van beide indelingen werd geïmplementeerd. Door deze alternatieven te vergelijken, kon het team wijzigingen aanbrengen in het ontwerp voordat ze duurder en ingrijpender werden. Hoewel de werkelijke prestaties nog steeds moeten worden geverifieerd tijdens de inbedrijfstelling, biedt het digitaal evalueren van deze alternatieven teams een sterkere basis voor ontwerpbeslissingen en helpt het potentiële beperkingen te identificeren voordat de bouw en installatie wijzigingen duurder maken.

Capaciteitsdiscussies zijn vaak gericht op de productielijn, ervan uitgaande dat de omliggende faciliteit aan de vereisten zal voldoen. Uitbreidingen kunnen die veronderstelling testen. Afhankelijk van het proces verhoogt een nieuwe lijn de vraag naar gezuiverd water, stoom, koeling en elektrische capaciteit. Deze vereisten moeten samen met het productieplan worden beoordeeld. Teams moeten bepalen of verschillende operaties tegelijkertijd zullen strijden om hetzelfde nutsbedrijf. Geïnstalleerde apparatuur vertegenwoordigt potentiële capaciteit, maar alleen bruikbare capaciteit creëert waarde. Beperkingen op het gebied van nutsvoorzieningen of ontoereikende infrastructuur kunnen de productie beperken, zelfs als de productieapparatuur zelf beschikbaar is.

De faciliteit moet ook de omgevingsomstandigheden handhaven die vereist zijn voor het proces. Afwijkingen in temperatuur, vochtigheid of druk kunnen de productie beïnvloeden en aanleiding geven tot een onderzoek. Kritieke omgevingen, waaronder cleanrooms en laboratoria, vereisen monitoring, controles en dossiers die zijn afgestemd op het beoogde gebruik. Infrastructuur maakt deel uit van de productieomgeving en de prestaties ervan moeten worden begrepen in relatie tot het proces dat wordt ondersteund.

Daarom is energieprestatie zowel een bedrijfskwestie als een milieuprobleem. Door het verbruik te vergelijken met de vraag naar productie, kunnen teams inefficiënte apparatuur of vermijdbaar gebruik van nutsvoorzieningen identificeren. Het verminderen van het vermijdbare gebruik van energie en nutsvoorzieningen kan de bedrijfskosten verlagen, op voorwaarde dat verbeteringen de voorwaarden voor de productkwaliteit in stand houden.

Ontdek de infrastructuur voor betrouwbare productie

Productiegegevens gebruiken om de farmaceutische productie te verbeteren

Zodra de productie begint, kunnen bedrijfsgegevens teams helpen de aannames van de ontwikkeling te vergelijken met de werkelijke prestaties van het proces en de faciliteit. In batch 100 zou de organisatie het proces beter moeten begrijpen dan na batch één. Dat leren zou zich moeten vertalen in een consistentere output, een hoger rendement en minder moeite voor het onderzoeken en beoordelen van afwijkingen. Elke run moet bijdragen aan wat de organisatie over het proces weet.

Een temperatuurmeting of drukinstelpunt moet gekoppeld zijn aan de batch, processtap, materiaal en de toepasselijke procesdefinitie. Die context helpt teams om kwaliteitsresultaten te vergelijken met ontwikkelingsveronderstellingen en inzicht te krijgen in de effecten van materiaalschommelingen, slijtage van apparatuur en veranderingen in de omgeving. Het ondersteunt ook Industrial AI: kunstmatige intelligentie die wordt toegepast op taken zoals het analyseren van procesvariaties of het detecteren van afwijkingen in apparatuur. Het behoud van deze relaties maakt productie-ervaring nuttig voor latere procesoptimalisatie, technologieoverdracht en opschalingsbeslissingen.

Bij De site met actieve farmaceutische ingrediënten van AGC Pharma Chemicals in Barcelona, integreerden teams het controlesysteem met de uitvoering van de productie en elektronische batchdossiers. Hierdoor zijn meer dan 530 vermeldingen voor de handbediende verwijderd. Het resultaat was een completere digitale documentatie van de productiestappen en minder informatie voor werknemers om te transcriberen. Voor fabrikanten die te maken hebben met personeelsbeperkingen kan dit repetitief werk verminderen, terwijl de verantwoordelijkheid van geschoolde mensen voor proces- en kwaliteitsbeslissingen behouden blijft.

Een vollediger dossier creëert ook een betere basis voor analyses. Beoordeling bij uitzondering kan de aandacht vestigen op afwijkingen van gedefinieerde vereisten. Procesanalysetechnologie kan metingen en modellen combineren om relevante kwaliteitskenmerken tijdens de productie te beoordelen. Monitoring van de toestand van de apparatuur kan zich ontwikkelende problemen identificeren die onderhoudsteams kunnen onderzoeken. Deze toepassingen gebruiken informatie op een andere manier. Connecting Systems maakt niet van elk inzicht een instructie om een proces te wijzigen of een batch vrij te geven. Deze toepassingen kunnen de beoordelingsinspanningen verminderen en technische middelen richten op daadwerkelijke uitzonderingen. Ze kunnen ook helpen bij het identificeren van problemen met apparatuur in ontwikkeling voordat ze tot duurdere storingen leiden.

De samenwerking van GSK met Siemens en Atos illustreert de aanvullende stappen tussen meting en actie. In een proof of concept voor de productie van vaccinadjuvans gebruikte een digitale tweeling procesgegevens en -modellen om de deeltjesgrootte te schatten en aanpassingen van de stroomsnelheid te berekenen. Laboratoriumtests hebben aangetoond dat er een directe controle was als reactie op de ingebrachte verstoringen. In een daaropvolgende kleinschalige technische run in een faciliteit met goede productiepraktijken (GMP) adviseerde de twee operators aanpassingen. Het heeft ze niet rechtstreeks geïmplementeerd.

Om een dergelijke aanpak toe te passen in commerciële productie zijn modellen en bedieningselementen nodig die geschikt zijn voor het beoogde gebruik. Passende validatie en wijzigingsbeheer blijven noodzakelijk. De waarde ervan zou zichtbaar moeten zijn in resultaten zoals minder afwijkingen, betrouwbaardere output, minder herzieningsinspanningen, minder uitvaltijd en minder kwaliteitsverliezen.

Industrial AI heeft dezelfde discipline nodig. Gecontextualiseerde, traceerbare gegevens kunnen teams helpen afwijkingen te onderzoeken, procesprestaties te analyseren of problemen met apparatuur eerder te identificeren. Een gedeelde, bestuurde context verbindt relevant wetenschappelijk en operationeel bewijs, terwijl elke discipline zijn gespecialiseerde systemen en verantwoordelijkheden behoudt. Elke toepassing heeft een bepaald doel nodig en bewijs dat de resultaten betrouwbaar genoeg zijn voor de beslissingen die ze ondersteunen. De waarde ervan moet gekoppeld zijn aan een meetbaar resultaat, zoals het verkorten van onderzoeken of het voorkomen van verstoringen.

Ontdek hoe productiegegevens de bedrijfsvoering kunnen verbeteren

Proceskennis hergebruiken als de productievereisten veranderen

De kennis die tijdens de ontwikkeling en productie is opgedaan, is ook een startpunt wanneer de vereisten veranderen. Een fabrikant heeft mogelijk een andere klinische batchgrootte of een nieuw product nodig. Het kan nodig zijn om over te stappen naar een andere locatie of productiepartner, of om de productie te verhogen met behoud van het bestaande aanbod. Een beheerste procesdefinitie, ondersteund door ontwikkelingsgeschiedenis en kwaliteitseisen, helpt teams te beoordelen wat kan worden hergebruikt en wat er moet veranderen. Dit kan de inspanning verminderen die nodig is om proceskennis opnieuw te creëren en van elke overdracht of wijziging een beter onderbouwde technische oefening te maken.

Bij De aspirinefabriek van Bayer in Bitterfeld-Wolfen, Duitsland, introduceerden teams stapsgewijs nieuwe productie-uitvoerings- en automatiseringssystemen terwijl de productie op de locatie werd voortgezet. Door productie-uitvoering en procesautomatisering te koppelen, konden subprocessen worden geconfigureerd zonder dat het modelleringswerk in afzonderlijke systemen werd gedupliceerd. Voor dit project rapporteert Siemens tot 80 procent minder technische inspanningen voor het modelleren van subprocessen. De vergelijking was met het afzonderlijk modelleren van de productie-, uitvoerings- en controlesystemen. De nieuwe aanpak ondersteunde papierloze productie, elektronische batchdocumentatie en snellere implementatie van recepten of automatiseringswijzigingen.

Dit is een praktische betekenis van aanpassingsvermogen: het verminderen van de tijd, kosten en operationele risico's die gepaard gaan met een gedefinieerde verandering. Gestandaardiseerde apparatuurinterfaces en herbruikbare automatiseringsstructuren kunnen ook de integratie op maat verminderen wanneer compatibele modules worden toegevoegd of vervangen. Ze maken een faciliteit niet geschikt voor elke modaliteit. Verschillende therapieën kunnen verschillende inperkings-, reinigings-, omgevingsomstandigheden of procesapparatuur vereisen. Flexibiliteit moet gebaseerd zijn op geloofwaardige toepassingen in de toekomst. Er moet van meet af aan rekening worden gehouden met de kwalificatie- en validatievereisten. Dit helpt fabrikanten onnodige complexiteit te vermijden en tegelijkertijd te investeren in het aanpassingsvermogen dat waarschijnlijk toekomstige producten ondersteunt.

Ontdek hoe modulaire automatisering veranderingen vereenvoudigt

Verbind de ontwikkeling van therapie met productiecapaciteit

Om deze veranderingen beheersbaar te maken, is continuïteit nodig op het gebied van onderzoek, formulering, procesontwikkeling, technologieoverdracht, kwaliteit, leveringsplanning, engineering en productie. Een verandering in de kwaliteitseisen of -formulering van de therapie kan van invloed zijn op de procesparameters, de keuze van de apparatuur, de automatisering en de vraag naar nutsvoorzieningen. Door deze gevolgen samen te evalueren, kunnen teams eerder afwegingen maken die het klinische aanbod, de startschema's en de verwachte productieprestaties beschermen. Bewijsmateriaal over de productie moet ook worden gebruikt om inzicht te krijgen in het proces, zodat de kennis gedurende beide levenscycli verbetert.

Fabrikanten moeten op zoek gaan naar technologiepartners die deze overdrachten ondersteunen in verschillende ontwikkelingsfasen, productielocaties en gespecialiseerde systemen. Farmaceutische bedrijven maken gebruik van verschillende technologieën, dus partners moeten kunnen samenwerken met bestaande apparatuur en andere technologieleveranciers. Open standaarden en interoperabiliteit moeten veilige informatie-uitwisseling ondersteunen. De verantwoordelijkheden voor interfaces, de kwaliteit van gegevens en de context die nodig is om informatie te interpreteren, moeten duidelijk zijn. Traceerbaarheid tussen vereisten, procesdefinities en uitvoering helpt teams om veranderingen te beoordelen en bestaande kennis opnieuw te gebruiken zonder onnodige integratie op maat.

We behandelen verschillende punten waarop die beslissingen samenkomen. Ons werk omvat proces- en productiesimulatie, engineering, kwaliteit, automatisering, productie-uitvoering en ondersteunende infrastructuur. De mogelijkheid is om de context te behouden wanneer beslissingen worden omgezet van inzicht in processen naar engineering en productie, en vervolgens operationeel bewijs te gebruiken om verdere ontwikkeling te onderbouwen. Dit kan de inspanning verminderen die nodig is om informatie opnieuw te creëren in verschillende fasen van de levenscyclus en ervoor zorgen dat toekomstige wijzigingen eenvoudiger kunnen worden geïmplementeerd. Door wetenschappelijk onderzoek en ontwikkeling, procesmodellering, beheer van bedrijfsrecepten en de uitvoering van de productie met elkaar te verbinden, kunnen teams gecontroleerde procesdefinities in de productie omzetten. Hun ondersteunende bewijzen kunnen dan beschikbaar blijven als teams die kennis hergebruiken op verschillende schalen en locaties.

Voor huidige investeringsbeslissingen verdienen vier maatregelen aandacht:

• Ontwikkel de therapie en het bijbehorende proces samen, waarbij wordt getest hoe de werkomstandigheden veranderen op klinische en commerciële schaal.
• Evalueer apparatuur, nutsvoorzieningen en milieucontroles aan de hand van de productie-eisen waaraan ze moeten voldoen.
• Bewaar procesdefinities en ondersteunend bewijs, zodat ontvangende teams veranderingen op verschillende locaties en schalen kunnen beoordelen.
• Koppel productiegegevens aan de batch- en procescontext en gebruik de bedrijfsresultaten om de ontwikkelings- en technische beslissingen te verbeteren.

Industrial AI kan dit leerproces uitbreiden door teams te helpen procesvariaties te analyseren en problemen met apparatuur eerder te identificeren. De volgende stap is het selecteren van een gedefinieerd productieprobleem, het verzamelen van de nodige gegevens en het testen of een toepassing een meetbaar resultaat verbetert. Die beslissingen horen thuis in de investeringsplannen van vandaag, terwijl teams nog steeds de systemen en workflows kunnen vormgeven waarvan ze afhankelijk zijn.

Ontdek de farmaceutische productieoplossingen van Siemens

Gepubliceerd: 30 oktober 2026