GMP-Chargendokumentation prüfen: Assistent für Abweichungen und CAPA

Bevor eine pharmazeutische Charge freigegeben werden kann, lesen Mitarbeitende der Qualitätssicherung hunderte Seiten Chargenprotokolle Zeile für Zeile und untersuchen anschließend jede Abweichung von Hand. Ein Assistent liest das Protokoll vor, meldet nur die Ausnahmen, klassifiziert Abweichungen, entwirft Untersuchungen auf Basis ähnlicher früherer Fälle und schlägt CAPAs vor. Die Sachkundige Person (Qualified Person, QP) behält die Freigabeentscheidung. In der EU gelten dafür der EU-GMP-Leitfaden Anhang 11 und der Entwurf des KI-spezifischen Anhangs 22, die einschränken, welche Modelle wo eingesetzt werden dürfen.

Problem & Nutzen

• Heute: Die Qualitätssicherung prüft jedes Chargenprotokoll auf Vollständigkeit, korrekte Einträge, Unterschriften, Prozesskontrollgrenzen und Querverweise auf Anlagen-, Material- und Labordaten. Papier- oder Hybridprotokolle verursachen zusätzlichen Übertragungs- und Scanaufwand. Untersuchungen von Abweichungen dauern Wochen, und die Abschnitte zur Ursache sind oft hineinkopiert oder oberflächlich. Das ist ein wiederkehrendes Thema in Inspektionsfeststellungen von Behörden (wiederholte Abweichungen, unwirksame CAPAs).
• KI-Nutzen: kürzere Durchlaufzeit der Protokollprüfung (die Freigabe liegt auf dem kritischen Pfad für Working Capital und Lieferfähigkeit), einheitliche Klassifizierung von Abweichungen, schnelleres Auffinden vergleichbarer früherer Ereignisse, bessere Trenderkennung über Chargen, Standorte und Lieferanten hinweg und mehr Zeit der Qualitätsmitarbeitenden für Beurteilungen.
• Belege: Anbieter und Pharmaunternehmen veröffentlichen Fallstudien zur Prüfung nach dem Ausnahmeprinzip, aber unabhängige, vergleichbare Zahlen sind selten. Betrachten Sie genannte Zeitersparnisse als Herstellerangaben und messen Sie Ihre eigene Ausgangslage.
• Regulatorischer Rahmen: Daten müssen ALCOA+ erfüllen (zuordenbar, lesbar, zeitgleich, original, richtig, vollständig, konsistent, dauerhaft, verfügbar). Die Konsultation von EMA und PIC/S zum überarbeiteten Anhang 11 und zu einem neuen Anhang 22 zu KI (Juli 2025) legt Erwartungen an KI in GMP-kritischen Anwendungen fest [1][2].

Varianten

• Kleine Moleküle / Biologika / Zell- und Gentherapie: Biologika und Arzneimittel für neuartige Therapien haben mehr Prozessdaten und kürzere Haltbarkeit, daher ist die Prüfgeschwindigkeit wichtiger.
• Auftragshersteller (CDMO): viele Kunden, viele Protokollformate, kundenspezifische Regeln für Abweichungen.
• Medizintechnik (ISO 13485, Geräteakte / Device History Record): dasselbe Muster für Geräteakten sowie Nichtkonformitäten und CAPA unter Qualitätssystemen nach MDR.
• Prüfung von Verpackungs- und QC-Laborprotokollen: Prüfung analytischer Daten (LIMS, Chromatographie-Datensysteme) mit derselben Ausnahmelogik.
• Steril / aseptisch: Daten aus dem Umgebungsmonitoring und aus Medienfüllungen (Media Fill) fließen in die Prüfung ein.

So funktioniert es

1. sources: eBR/MES export | scanned paper record | historian | LIMS | QMS history
2. ingestion + OCR/layout parsing (paper) + normalisation to a batch data model
3. deterministic rule checks (limits, required entries, signatures, time sequence, calculations)
4. statistical checks (out-of-trend vs. historical batches, multivariate drift)
5. LLM layer: summarise exceptions, link to SOP clause, retrieve similar deviations (hybrid RAG)
6. deviation classification (minor/major/critical) + draft investigation + CAPA proposal
7. QA reviewer confirms/edits
8. QP certifies release
9. audit trail of AI output vs. final decision

• Zuerst deterministisch: Prüfungen auf Vollständigkeit, Grenzwerte und Unterschriften sollten als codierte Regeln oder validierte MES-Logik laufen, nicht über ein LLM. Hier ist die Validierung nach Anhang 11 am einfachsten.
• Statistische Schicht: Regelkarten, Prozessfähigkeit und multivariate Modelle auf Historian-Daten; Hinweise gehen an den Menschen, nicht ins Protokoll.
• LLM-Schicht: Zusammenfassung, Entwurf von Texten und Suche in der Abweichungshistorie. Die Ausgabe ist ein nicht validierter Vorschlag, den eine qualifizierte Person prüft. Der Entwurf von Anhang 22 beschränkt Modelle in kritischen GMP-Anwendungen auf statische, deterministische und sagt, dass generative KI und LLMs dort nicht eingesetzt werden sollen; LLMs dürfen nicht kritische Tätigkeiten unter qualifizierter menschlicher Prüfung unterstützen [2]. Ein belastbares Design hält das LLM beratend und außerhalb des Entscheidungspfads.
• Mensch-in-der-Schleife (Human-in-the-Loop): QA-Prüfende für jede Ausnahme, QP für die Freigabe, Freigabeunterschriften nur durch Menschen.

Datenaufbereitung

• Daten und Ablageort: elektronische Chargenprotokolle im MES/eBR, eingescannte Papierprotokolle in einem DMS oder auf Dateiservern, Historie zu Abweichungen/CAPA/Änderungskontrolle im QMS, Prozessdaten im Historian, Ergebnisse im LIMS, SOPs und Herstellanweisungen in einem Dokumentensystem.
• Typische Lücken: Scans unterschiedlicher Qualität mit Handschrift und durchgestrichenen Korrekturen, frei formulierte Beschreibungen von Abweichungen in unterschiedlicher Tiefe, über die Jahre uneinheitliche Klassifizierungscodes, doppelte oder hineinkopierte Ursachen und keine Verknüpfung zwischen einer Abweichung und den zugehörigen Chargen-, Anlagen- und Materialdaten.
• Aufbereitungsschritte: QMS-Historie exportieren und Lücken in den Kategorienschemata schließen (PREP-019); Papierprotokolle digitalisieren und per OCR erfassen, kritische Werte von Menschen prüfen lassen (PREP-006, DOC-014); MES-, Historian- und LIMS-Daten in ein gemeinsames Chargendatenmodell überführen (PREP-005); Labels aus von der QA freigegebenen, abgeschlossenen Abweichungen gewinnen (PREP-020); mit QA-Fachleuten einen Testdatensatz mit eingestreuten Fehlern aufbauen (PREP-018); KI-Ausgaben für ALCOA+ strikt von den Originalprotokollen trennen.
• Werkzeuge: Docling oder PaddleOCR zum Einlesen, ein Vektorspeicher mit Zugriffskontrolle je Standort und vorhandene QMS-Exporte.
• Aufwandsanteil: etwa 50-60 Prozent des Gesamtprojekts; Datenherkunft (Lineage) und Dokumentation des Testdatensatzes sind Validierungsergebnisse, keine Zugaben. Beginnen Sie mit einer Bereitschaftsprüfung (GUIDE-003, PREP-001).

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg C. Chargenprotokolle und Abweichungshistorie sind zentrale, proprietäre GxP-Daten, und der Entwurf von Anhang 22 bevorzugt eingefrorene, versionsfixierte Modelle unter Ihrer Kontrolle; nutzen Sie MES/QMS-Hersteller (Weg A) für die deterministische Prüfung nach dem Ausnahmeprinzip.
• Developer: Weg C. Open-Weight-Modelle und Docling/PaddleOCR erlauben es Ihnen, die beratende Schicht mit vollständiger Änderungskontrolle zu bauen und zu validieren.

Weg A — Kaufen (Standardsoftware)

• MES / eBR mit Prüfung nach dem Ausnahmeprinzip: Körber PAS-X (DE, EU), Siemens Opcenter Pharma, Apprentice.io Tulip-based eBR, Rockwell PharmaSuite, Emerson Syncade.
• QMS mit KI-Funktionen: Veeva Vault QMS, Sparta Systems TrackWise Digital (Honeywell), MasterControl, ComplianceQuest, Qualio (kleine Biotechs). Prüfen Sie die eingebaute Ähnlichkeitssuche für Abweichungen, die Entwurfsfunktion und das Validierungspaket des Anbieters.
• A wählen, wenn: Sie bereits eine dieser Plattformen betreiben. Vom Anbieter validierte Funktionen senken Ihren CSV-Aufwand (Validierung computergestützter Systeme) und halten die Daten im GxP-System.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Nutzen Sie führende LLMs über EU-Regionen (Azure OpenAI EU, Google Vertex EU, AWS Bedrock Frankfurt, Mistral) oder Dokumenten-KI (Azure Document Intelligence, Mistral OCR) zur Digitalisierung von Papierprotokollen.
• Orchestrieren Sie mit einer Workflow-Engine; die Suche über QMS-Exporte läuft über eine Vektordatenbank mit Zugriffskontrolle je Standort.
• Erfordert eine GxP-Lieferantenbewertung des Cloud- und Modellanbieters, Änderungskontrolle für Modellversionen (Versionen fixieren) und einen Validierungsplan. Am besten geeignet für Entwürfe von Untersuchungen und Zusammenfassungen, nicht für freigaberelevante Prüfungen.

Weg C — Selbst betreiben (Open Source)

• Open-Weight-LLMs (Mistral, Qwen, Llama-Klasse, gpt-oss), betrieben mit vLLM; Embeddings wie BGE-M3 oder multilingual-e5; Einlesen mit Docling oder PaddleOCR; pgvector, OpenSearch oder Qdrant für die Suche.
• Ein eingefrorenes, versionsfixiertes Modell entspricht der Forderung von Anhang 22 nach kontrollierten, statischen Modellen und hält proprietäre Prozessdaten On-Premises.
• Hardware: HW3 für Modelle der 70B-Klasse; HW2 für Modelle mit 8-30B Parametern mit Retrieval. Der Betriebsaufwand ist erheblich, weil jede Änderung an Modell oder Prompt ein Ereignis der Änderungskontrolle ist.

Weg D — Eigenes Training

Trainieren Sie Encoder-Klassifikatoren für Abweichungskategorien oder ein kleines LLM auf Ihren eigenen Abweichungsbeschreibungen per Feintuning, wenn die Mengen es rechtfertigen (tausende abgeschlossene, von der QA freigegebene Abweichungen). Vorhersagemodelle auf Historian-Daten brauchen viele Chargen; Modelle für seltene Ereignisse bleiben schwach. Herkunft der Trainings- und Testdaten, Abnahmekriterien und unabhängige Testdatensätze sind in Anhang 22 zentral [2].

Stand der Technik (2026)

• Prüfung nach dem Ausnahmeprinzip auf strukturierten eBR-Daten ist etabliert; der neuere Schritt ist KI-Triage und Entwurf obendrauf, angeboten von MES- und QMS-Herstellern.
• LLM-Suche über die Abweichungshistorie funktioniert gut, um vergleichbare Ereignisse zu finden und Checklisten für Untersuchungen vorzuschlagen; schwächer ist sie bei echter Ursachenanalyse, wo Modelle plausible, aber unbelegte Ursachen erzeugen.
• Papierprotokolle bleiben verbreitet: Handschrift, Korrekturen (einfaches Durchstreichen mit Paraphe) und Stempel sind für OCR fehleranfällig. Lassen Sie kritische Werte weiterhin von Menschen prüfen.
• Die Regulierung ist in Bewegung: die Entwürfe des überarbeiteten Anhangs 11 und des neuen Anhangs 22, ISPE GAMP 5 (zweite Ausgabe) und der ISPE-GAMP-Leitfaden zu KI prägen die Validierungsansätze [1][2][3]. Die US-Behörde FDA hat 2025 einen Leitlinienentwurf zu KI zur Unterstützung regulatorischer Entscheidungen bei Arzneimitteln veröffentlicht [4].
• Grenzen: erfundene Verweise auf SOPs, übersehener Kontext, der nicht im Protokoll steht, Automatisierungsverzerrung bei den Prüfenden und nicht reproduzierbare Ausgaben nicht deterministischer Modelle.

Gemeinsame Bausteine & Kombinationen

• Dokumenten-Stack (ocr-docparse, embedding-text, vector-db): DOC-014 Einlesen für RAG, DOC-019 Prüfung von Zertifikaten, DOC-016 regelbasierte Compliance-Prüfung.
• Prozessdaten: ANOM-005 Anomalieerkennung bei Sensoren und PRED-014 Soft-Sensoren liefern die Signale für Werte außerhalb des Trends.
• Qualitätsmanagement: der Assistent für FMEA und 8D/CAPA aus SCI-025 nutzt dieselben Methoden der Ursachenanalyse.
• Pharmaprozesse: HLTH-010 Pharmakovigilanz (Produktbeschwerden und unerwünschte Ereignisse führen zu Abweichungen), HLTH-017 Regulatory Writing (Chargendaten in Zulassungsunterlagen).

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Einführung und Validierung, wenn die Plattform schon vorhanden ist; Lizenzaufschlag je Standort oder Nutzer.
• Weg B/C: 6-12 Monate einschließlich Lieferantenbewertung, Validierung, SOPs und Schulung; laufende Änderungskontrolle.
• Kostentreiber: Validierung computergestützter Systeme, Datenbereinigung, Integration mit MES/LIMS/QMS, Modellüberwachung.
• Kennzahlen: Durchlaufzeit der Chargenprotokollprüfung, Quote fehlerfreier Protokolle im ersten Durchlauf (Right First Time), Bearbeitungszeit von Abweichungen, Quote wiederholter Abweichungen, Wirksamkeit der CAPAs, Anteil der angenommenen gegenüber korrigierten KI-Vorschlägen, Quote übersehener Fehler (False Negatives) bei eingestreuten Fehlern, Zeit bis zur Freigabe durch die QP.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (Budget, KI-Richtlinie), die Leitung der QA als Prozessverantwortliche, die QP, IT und IT-Sicherheit (Validierung, Zugriff), Recht/Compliance sowie die Datenverantwortlichen von MES, LIMS und QMS von Anfang an. Die QA-Prüfenden sind die Endnutzer und sollten die Ansichten für Ausnahmen mitgestalten.
• Betriebsrat: ja, Mitbestimmung ist wahrscheinlich. Prüfprotokolle und Annahmequoten zeigen das Verhalten einzelner Prüfender, daher ist das System objektiv zur Leistungsüberwachung geeignet (§87 Abs. 1 Nr. 6 BetrVG, BAG-Rechtsprechung); zudem ist der Betriebsrat zu informieren, wenn Arbeitsprozesse mit KI geplant werden (§90 Abs. 1 Nr. 3), und er kann einen KI-Sachverständigen hinzuziehen (§80 Abs. 3). Vereinbaren Sie eine Betriebsvereinbarung, die eine individuelle Leistungsbewertung ausschließt (GUIDE-004).
• Datenschutz: Namen und Unterschriften des Bedienpersonals sind personenbezogene Daten; beziehen Sie die(den) Datenschutzbeauftragte(n) ein, prüfen Sie den AVV mit jedem Auftragsverarbeiter und führen Sie eine Datenschutz-Folgenabschätzung (DSFA) durch, wenn Auswertungen auf Ebene einzelner Prüfender geplant sind (GUIDE-005).
• KI-Kompetenz: ergreifen Sie Maßnahmen zur KI-Kompetenz der Beschäftigten (Art. 4): was das Werkzeug kann und was nicht, Automatisierungsverzerrung, wie Vorschläge korrigiert werden (GUIDE-006).
• Pilot und Kommunikation: starten Sie mit einer Produktlinie und freiwilligen Prüfenden zunächst auf abgeschlossenen historischen Daten (GUIDE-009). Typische Sorgen sind Arbeitsplatzverlust und Inspektionsrisiko; begegnen Sie ihnen mit der Aussage, dass das Werkzeug Leseaufwand abnimmt, nicht Verantwortung, und dass QA und QP jede Entscheidung behalten (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko, da ein GMP-Qualitätswerkzeug weder ein Medizinprodukt ist noch unter Anhang III fällt. Stufen Sie neu ein, wenn Ausgaben in die Sicherheitsfunktion eines Geräts einfließen. KI-Kompetenz (Art. 4) gilt.
• GMP: EU-GMP-Anhang 11 (computergestützte Systeme), Anhang 15 (Qualifizierung und Validierung), Kapitel 4 (Dokumentation), Kapitel 1 (Qualitätssystem) und der Entwurf von Anhang 22. PIC/S PI 041 und die Leitlinien von MHRA/FDA zur Datenintegrität gelten. Hersteller von Medizinprodukten folgen, soweit einschlägig, ISO 13485 und 21 CFR Part 820/QMSR [1][5].
• Datenintegrität: KI darf Originalprotokolle nicht verändern; halten Sie ihre Ausgabe getrennt, mit Audit-Trail, Benutzerzuordnung sowie Angabe von Modell- und Prompt-Version.
• DSGVO: Namen und Unterschriften des Bedienpersonals sind personenbezogene Daten; halten Sie Beschäftigtendaten minimal und beachten Sie Betriebsvereinbarungen (Deutschland: BetrVG).
• Gegenmaßnahmen: LLM nur beratend, deterministische Prüfungen für kritische Schritte, fixierte Modellversionen, stichprobenbasierte Leistungsüberwachung, festgelegter Rückfall auf manuelle Prüfung.

Erste Schritte

1. Ausgangslage: Prüfstunden je Charge, Durchlaufzeit, häufige Protokollfehler und Bearbeitungszeit von Abweichungen.
2. Stufen Sie jede geplante KI-Funktion nach dem Entwurf von Anhang 22 als kritisch oder nicht kritisch ein und dokumentieren Sie den Verwendungszweck.
3. Beginnen Sie mit nicht kritischer Unterstützung: Suche nach ähnlichen Abweichungen und Entwurf von Untersuchungen auf abgeschlossenen historischen Daten.
4. Bauen Sie einen Testdatensatz mit eingestreuten Fehlern aus früheren Chargenprotokollen auf und messen Sie die Trefferquote (Recall) der Ausnahmeerkennung, bevor eine Nutzung für die Freigabe erfolgt.
5. Führen Sie eine Lieferantenbewertung durch, erstellen Sie einen Validierungsplan unter Änderungskontrolle und binden Sie QA, IT und QP von Anfang an ein.

Quellen

1. European Commission / EMA — Public consultation on revised Annex 11 and new Annex 22 (July 2025) — https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
2. EMA — GMP Annex 22 Artificial Intelligence, draft for consultation — https://www.ema.europa.eu/en/human-regulatory-overview/research-development/compliance-research-development/good-manufacturing-practice
3. ISPE — GAMP 5 Guide, Second Edition — https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition
4. US FDA — AI to support regulatory decision-making for drug and biological products (draft guidance, Jan 2025) — https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological
5. PIC/S — PI 041-1 Good practices for data management and integrity — https://picscheme.org/en/publications
6. Körber — Werum PAS-X MES (life sciences MES) — https://www.koerber.com/en/solutions/software-and-ai/life-sciences-mes
7. Veeva — Vault QMS — https://www.veeva.com/products/vault-qms/
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj