فناوری

داروسازی هوشمند – آشنایی با Pharma 4.0 و توسعه آن

در مقاله قبلی که در مورد تحول دیجیتال در صنعت دارو صحبت کردیم، به‌تفصیل مطرح شد که سرعت تحول دیجیتال در این صنعت بسیار کند است و حالا نهادهای بزرگ و مراجع قانون‌گذار در این صنعت مانند [۱]FDA، یا [۲]WHO، یا [۳]PIC/S در تکاپو هستند تا بتوانند هرچه زودتر الزامات مرتبط با تحول دیجیتال را در این صنعت تدوین کنند. در این میان انجمن بین‌المللی مهندسی داروسازی (ISPE[4]) اصطلاح Pharma 4.0 یا کارخانه‌های هوشمند را برای اولین‌بار ارائه کرد.

Pharma 4.0 یا داروسازی هوشمند از کجا متولد شد؟

ISPE عبارت Pharma 4.0 یا داروسازی هوشمند را اولین‌بار در سال ۲۰۱۷ در کنفرانس Europe Pharma 4.0 مطرح کرد تا بتواند با ارائه یک نقشه راه کاربردی و ساده سازی شده به شرکت های داروسازی کمک کند با چالش ها و مزایای دیجیتالیزه‌شدن آشنا شده و بتوانند با کمک فناوری اطلاعات و با تعهد به رعایت الزامات قانونی اختصاصی این صنعت در سیر تحول دیجیتال گام‌های درستی بردارند. ISPE با این کار تصمیم داشت تا با متمایز کردن Pharma 4.0 از انقلاب صنعتی عمومی چهارم اهمیت این موضوع را بیشتر کرده و توجه‌ها و تمرکزهای بیشتری را به آن جلب نماید.

در تحول Pharma 4.0 اهتمام بر آن است که با کمک سیستم فیزیکی – سایبری ([۵]CPS) تمامی زیر ساخت­‌های اطلاعاتی (سخت‌افزاری و نرم‌افزاری) شرکت‌ها، منابع آنها (سرمایه انسانی، ماشین‌آلات، ابزارها، تجهیزات، محصولات و خدمات)، فرهنگ شرکت‌ها (ارزش­ها، مدل‌های ذهنی، اتمسفر سازمان، ارتباطات و تعاملات) و فرایندهای ستادی و عملیاتی بدون آنکه ذره­‌ای لطمه و وقفه در اجرای الزامات سخت‌گیرانه وارد شود و یا امنیت سایبری اطلاعات دچار نقصان شود، از حالت سنتی خارج و به سمت چابکی و توسعه در دنیای بی‌ثبات و متغیر کنونی نیل کند.

توسعه Pharma 4.0 چگونه صنعت داروسازی را متحول می­‌کند؟

۳٫۱) Pharma 4.0 در تحقیق و توسعه دارو:

واحدهای تحقیق و توسعه می‌توانند با کمک دوقلوهای دیجیتال (Digital Twin) فضاهای تولیدی و تحقیقاتی را به‌راحتی، دقیق و مشابه شرایط واقعی شبیه‌سازی کرده و بدون نیاز به جلب سرمایه‌های کلان تحقیقات، صرف هزینه‌های گزاف، زمان طولانی، تعداد زیاد نیروهای متخصص و استرس‌های کاری به کشف انواع داروهای جدید و پیچیده و همچنین شناسایی کامل اثرات درمانی، عوارض جانبی و تداخلات دارویی دقیق آنها بپردازند.

علاوه بر این هوش مصنوعی می‌تواند برای شناسایی کاربردهای جدید داروهای موجود (Drug Repurposing) استفاده می‌شود، فرایندی که به نام استفاده مجدد از دارو شناخته می‌شود. با تجزیه‌وتحلیل مجموعه‌داده‌های بزرگ و دانش بیولوژیکی، الگوریتم‌های هوش مصنوعی می‌توانند ارتباط‌های بالقوه دارویی – بیماری را شناسایی کرده و داروهای تأیید شده را برای مقاصد درمانی جدید مورداستفاده قرار دهند. این رویکرد مسیری سریع‌تر و مقرون‌به‌صرفه‌تر برای توسعه دارو ارائه می‌دهد.

کاربران همچنین می‌توانند با تعریف شرایط محیطی مختلف در هوش مصنوعی، پایداری محصولات را بجای حداقل ۲ سال نگهداری و نمونه برداری نمونه ها، ظرف چند ساعت با دقتی بالاتر، شرایط محیطی بحرانی تر، پارامترهای کنترلی بیشتر و قابل اطمینان تر انجام دهند و از این طریق شرایط نگهداری محصولات و تاریخ انقضای آن­ها را اعلام نمایند.

در داروسازی هوشمند واحدهای تحقیق و توسعه سازمان‌ها قادر هستند تا با باز طراحی فرایندهای تولیدی و کنترلی پیشین مربوط به محصولات، فرایندهایی بهینه‌تر، سریع‌تر و کم‌هزینه‌تر (متناسب با متدهای تولید ناب) با فرمولاسیونی هوشمندتر و مؤثرتر را پیدا کرده با ارائه آنها به واحدهای تولیدی پاسخگوی تنوع نیاز مشتریان سازمان در زمان کوتاه و کیفیتی بالاتر باشند.

۳٫۲) Pharma 4.0 در تولیددارو:

استفاده از فناوری رباتیک و ماشین‌آلات [۶]CNC و همچنین مکانیزاسیون کامل عملیات تولید، باعث کاهش خطاهای پرسنلی حین تولید می‌شود.

با کمک اینترنت اشیا (مانند سنسورها) و همچنین هوش مصنوعی و یادگیری ماشینی عملیات ساخت محصولات، بسته‌بندی و تمیزکاری بین بچ‌ها دقیقاً مطابق با استانداردهای داخلی و گزارش‌های معتبرسازی‌ها انجام می‌شوند، درنتیجه علاوه بر اینکه از آسیب به ماشین‌آلات تولیدی به دلیل توجه ناکافی و یا عدم دانش کافی پرسنل (Bad practice) جلوگیری به عمل می‌آید، ضایعات تولید با انجام تنظیمات اتوماتیک دستگاه (متناسب با وضعیت در لحظه) کاهش می‌یابد، یکپارچگی کیفیت محصولات (اعم از وزن، دوز، اثربخشی، ویژگی‌های کیفی، سیستم لیبل‌گذاری و مواردی ازاین‌قبیل) در تمامی بچ‌ها و در تمامی شرایط حفظ می‌شود، آلودگی محیطی و آلودگی‌های متقاطع فرآورده‌های دارویی به‌خصوص فرآورده‌های استریل تا حد زیادی کنترل شده و به صفر میل می‌کنند، ایمنی پرسنل در زمان تولیدداروهای پرخطر (هازارد) به دلیل عدم نیاز به حضور آنها در طول تولید تضمین می‌شود، سرعت عملیات تولید افزایش می‌یابد.

از طرفی علاوه بر اینکه هدررفت آب و سایر انرژی‌ها به دلیل پایش و کنترل در لحظه الگوی مصرف به طور چشمگیری کاهش می­یابد، از انتقال آلودگی‌های دارویی به محیط‌زیست و آلودگی فاضلاب‌ها به مواد دارویی پرخطر جلوگیری به عمل می‌آید.

۳٫۳) Pharma 4.0 در کنترل کیفیت:

Pharma 4.0 به واحدهای کنترل کیفیت کمک می‌کند تا با نمونه‌برداری رباتیک و تمام‌اتومات خطاهای نمونه‌برداری کاهش پیدا کند. باتوجه‌به اینکه داده‌ها و آنالیزها همگی اتومات می‌شوند و افراد در ثبت داده‌ها نقشی ندارند، قابلیت ردیابی فعالیت‌ها (لاگ سیستمی و Audit Trail) فراهم می‌شود و همچنین با کمک بلاک‌چین‌ها اطلاعات و سوابق غیر قابل دست‌کاری و محافظت شده خواهند بود، پیش‌بینی می‌شود الزام مستقل‌بودن پرسنل کنترل کیفیت و تولید که در PIC/S و سایر الزامات به آن تأکید شده است نیز تغییر پیدا کند و نهادهای نظارتی دغدغه تبانی در ثبت داده تقلبی را نداشته باشند.

در این شرایط دستگاه‌های آنالیز و کنترل کیفیت می‌توانند بر روی ماشین‌آلات تولیدی سوار شوند و تعداد نمونه‌های بیشتر را در دفعات نمونه‌برداری بیشتر با فواصل کوتاه‌تر و به‌صورت آنلاین (RTRT)[7] بررسی کنند. در این زمان روش‌های آنالیز و کنترل کیفیت نیز باز طراحی شده و با متدهای حساس‌تر و پیشرفته‌تر نتایج دقیق‌تری را به‌صورت آنلاین گزارش می­کنند.  این عملیات ” کنترل فرایند پیشرفته ([۸]APC)” نام دارد.

با این اوصاف پیش‌بینی می‌شود فضاهای کمتری در کارخانه‌های تولیددارو جهت استقرار دستگاه‌ها و ابزارهای دقیق کنترل کیفیت اشغال شود؛ همچنین ریسک نتایج خارج از Specification  ([۹]OOS) نیز به حداقل می‌رسد. در این شرایط آزادسازی بچ‌های تولید شده نیز با سرعت بالایی توسط مسئولین فنی انجام می‌شود که این موضوع به کاهش انباشت مواد و محصولات در انبارها و همچنین اجرای سریع‌تر برنامه‌های تولید و رفع سریع‌تر نیاز بازار کمک شایانی می‌کند.

در برخی تست‌های کنترل کیفی مانند تعیین پوتنسی واکسن‌ها نیاز است از حیوانات جهت انجام تست استفاده شود که جدای از هزینه‌بردار و زمان‌بر بودن، مخالف با اصول اخلاقی و حمایتی از حیوانات است. در برنامه توسعه Pharma 4.0 با کمک اینترنت اشیا (IoT[10]) می‌توان از سنسورهای فوق دقیقی استفاده کرد که وجود مقادیر کم سموم و ناخالصی‌ها را شناسایی کند. همچنین با کمک یادگیری ماشینی و هوش مصنوعی می‌توان الگوی سازوکار بسیاری از شرایط آزمایشگاهی پیچیده را به‌خصوص مواردی که نیاز به استفاده از حیوانات و یا تست‌های به‌شدت حساس و دقیق سلولی دارند، شبیه‌سازی کرده و بادقت بالاتر، هزینه کمتر و با حداقل اثر عوامل منحرف‌کننده نتایج گزارش آنالیز را در سریع‌ترین زمان ممکن صادر کرد.

 

۳٫۴) Pharma 4.0 در تضمین کیفیت دارو:

۳٫۴٫۱) مدیریت مستندات: در صنعت داروسازی تهیه و بایگانی اطلاعات و اسناد با کیفیت از اهمیت بسیار فراوانی برخوردار است و این شعار در این صنعت مصطلح است:

کاری که مکتوب نشده است، هرگز انجام نشده است.

آمارها نشان می‌دهند که بیشترین انحرافات رخ‌داده در طی فرایند تولید تا توزیع دارو مربوط به خطاهای (سهوی یا عمدی) ثبت اطلاعات و داده‌های با کیفیت پایین هستند. با استفاده از اتومات شدن فرایندها و با کمک اینترنت اشیا، ثبت سوابق به طور کامل الکترونیک شده و از حالت سنتی خارج می‌شوند؛ در این شرایط علاوه بر حفظ محیط‌زیست به دلیل حذف کاغذ در اغلب قریب به‌اتفاق فرایندها، انطباق داده‌ها با اصول[۱۱]ALCOA+  افزایش می‌یابد، خطای انسانی و زمان موردنیاز برای ثبت گزارش‌ها (تا ۸۵%) کاهش می‌یابد، محاسبات پیچیده به‌صورت اتومات انجام شده و ریسک داده‌های اشتباه حذف می‌شود.

از طرفی خطر انتقال آلودگی محیطی به فضاهای تولیدی و همچنین انتقال مواد دارویی پرخطر از فضاهای تولیدی به محیط غیرتولیدی (از طریق کاغذ) از بین می‌رود، امکان ایجاد برقراری اطلاعات بین تمام دپارتمان‌ها به‌صورت آنلاین فراهم می‌شود؛ در نتیجه با شناسایی الگوها و روندها، دید گسترده‌تری را به تحلیلگران و ناظران تولید می‌دهد و تعامل بیشتری را بین دپارتمان‌های مختلف برقرار می‌کند. همچنین گزارش‌هایی مانند مرور کیفی محصولات ([۱۲]PQR) که به دلیل گردآوری حجم زیادی از اطلاعات و تحلیل‌های پیشرفته یکی از پرچالش‌ترین گزارش‌ها به‌حساب می‌آید، به‌صورت آنلاین، دقیق و کامل در دسترس تحلیلگران  قرار می‌گیرد.

۳٫۴٫۲) انطباق با مقررات و الزامات: یکی از ابتدایی ترین کارهایی که با کمک Pharma 4.0 برای دپارتمان تضمین کیفیت فراهم می‌شود این است که می توان کلیه فرآیندهای سازمان را بر اساس دستورالعمل های کاری مصوب که همگی مطابق با الزامات درون سازمانی، ملی، بین المللی و الزامات مشتریان و شرکا تهیه شده‌اند، مکانیزه کرد؛ به گونه ای که به دلیل اجرای الزامات در قالب شروط برنامه‌نویسی، احتمال خطا در اجرای فرآیندها وجود نداشته باشد و یا در صورت بروز هرگونه عدم انطباق و مشاهده ریسک بروز انحرافات، گزارش آن را به همراه علل ریشه ای و احتمالی به صورت آنلاین به افراد مرتبط اعلام کنند تا بتوانند به صورت چابک و پویا بهینه‌ترین اقدامات اصلاحی و پیشگیرانه را تعریف و اجرا کنند؛ در این شرایط ریسک نارضایتی ذی اثرها کم شده و ضایعات و هزینه های مرتبط با فرآیندهای کیفی به طور چشمگیری کاهش می‌یابند. طبق گزارش FDA در سال ۲۰۲۳ حدود ۸٪ از تمام نامه‌های هشدار به دلیل به توسعه Pharma 4.0 کاهش پیدا کرده است.

۳٫۴٫۳) بازرسی های داخلی و خارجی: با توجه به اینکه مهم‌ترین چالش در طول بازرسی های صنایع دارویی بررسی سوابق، یافتن پیوستگی و یکپارچگی آنها و اطمینان از واقعی و باکیفیت‌بودن اطلاعات است، با مکانیزه شدن فرآیندها و الکترونیکی‌شدن سوابق، بازرسی با ضریب خطای کم­تر و با سرعت و دقت بیشتر انجام خواهد شد.

۳٫۴٫۴) آمورش: یکی دیگر از موارد مهمی که در اصول GXP (کلیه عملیات های خوب دارویی) به آن تاکید شده است، آموزش و به کارگیری پرسنل متبحر با دانش تخصصی روز است. در این زمینه سازمان‌ها می‌توانند با کمک هوش مصنوعی محتوای آموزشی متنوع (فیلم، پوستر، پاورپوینت، بروشور، پادکست، کلیپ و مواردی از این قبیل) و مناسب برای وظایف کارمندان را در زمان کوتاه آماده کرده و منتشر کنند. همچنین می توان بر اساس آموزش‌های داده‌شده و تحلیل رفتار و عملکرد آنلاین افراد، میزان اثربخشی آموزش را مشخص کرد.

۳٫۴٫۵) آزادسازی محصولات: با اتومات شدن تمام داده‌های اطلاعاتی، کارشناسان تضمین کیفیت و رگولاتوری می­توانند به راحتی اطلاعات پرونده های بچ را با نتایج آنالیزها و آزمون های کنترل کیفیت تطابق داده و در زمان بسیار کوتاهی وضعیت تائید و یا رد شدن محصول را مشخص کنند و اقدامات مربوط به امحا (در صورت رد شدن) و یا اخذ مجوز از سازمان غذا و دارو جهت ورود محصول به بازار (در صورت تائید شدن) را با حداکثر اطلاعات پشتیبان در زمان کوتاهی انجام دهند.

۳٫۴٫۶) فرهنگ کیفیت: در مقایسه با مفهوم فرهنگ کیفیت سنتی، فرهنگ کیفیت در Pharma 4.0 پویاتر و چابک‌تر است و رویکردهای فرهنگی دو سویه (بالا به پایین و پایین به بالا) دارد. در فرهنگ بالا به پایین، مدیران ارشد اهداف استراتژیک سازمان را تعیین می کنند و در فرهنگ پایین به بالا، کارکنان هستند که مسیر حرکت به سمت این اهداف را مشخص می کنند، کلیه کارکنان با ریزبینی و با حس مسئولیت مالکانه نسبت به موفقیت سازمان، در رفع عدم انطباق ها، ریسک‌ها، اظهار نظر جهت تغییرات بهینه کننده فرآیندها مشارکت پویا دارند.

در این راستا سازمان‌ها باید به افراد کمک کنند تا مهارت‌های ارتباطی خود را تقویت کنند و به توسعه فردی خود متمایل کنند تا بتوانند با چالش‌های تکنولوژیک سازگار شوند، راه‌حل‌های کارآمدتری پیدا کنند و از ایده‌ها و خلاقیت‌های جمعی چابک‌ترین ایده را جهت پیشرفت سریع اتخاذ اجرایی کنند.

شایان‌ذکر است که موفقیت در توسعه فرهنگ چابک و دستیابی به یک سیستم مدیریت کیفیت (QMS[13]) قوی مستلزم تعهد مدیریت ارشد هر سازمان است و ازآنجاکه مهم‌ترین سنگ بنای توسعه چهارچوب pharma 4.0 تغییر ذهنیت و فرهنگ سازمان است، اگر مدیر ارشد سازمان در برابر تغییر مقاومت داشته باشد و تمایلی برای یادگیری و به‌کارگیری تکنولوژی‌های دیجیتال نداشته باشد، سازمان تحت رهبری وی در مسیر توسعه داروسازی هوشمند شکست‌خورده و به‌سرعت از صحنه رقابت حذف خواهد شد.

 

۳٫۵ استفاده از Pharma 4.0 در زنجیره تأمین دارویی ([۱۴]PSC):

۳٫۵٫۱) برنامه ریزی تولید: سیستم‌های برنامه‌ریزی پیشرفته ([۱۵]APS) با کمک الگوریتم­های هوش مصنوعی به تولیدکنندگان اجازه می‌دهد تا به راحتی با بررسی وضعیت تعمیرات و نگهداری تجهیزات خطوط تولید، میزان موجودی مواد تائید شده انبار، زمان آزاد شدن ماشین­های تولید، تقاضای بازار، وضعیت تیم­های فروش، اولویت­های استراتژی سازمان و سایر پارامترهای کنترلی مربوط به هر شرکت، برنامه ریزی تولید را به صورت هوشمند، تمام اتومات، چابک و بدون ایجاد ترافیک کاری در ماشین­های تولید در جهت رفع به موقع نیاز بازار انجام دهند.

علاوه بر این مدیران برنامه‌ریزی می‌توانند از وضعیت تأخیرها و انحرافات برنامه­ریزی خود، علل ریشه­ای بروز این انحرافات، کارایی اقدامات اصلاحی و پیشگیرانه قبلی، میزان واریانس برنامه تولید از استراتژی سازمان و نیاز بازار و مواردی ازاین‌قبیل را نیز شناسایی کنند و تصمیم‌گیری‌های خود را هدفمندتر و هوشمندانه‌تر کنند.

۳٫۵٫۲) انبارداری: مدیران انبارهای دارویی با کمک سیستم­های مدیریت انبار ([۱۶]WMS) می‌توانند در لحظه، از میزان موجودی در راه، موجودی واقعی (اصلی و تائیدشده) در تمامی انبارها، میزان safety Stock ها و میزان سفارش مطلع باشند؛ می­توانند مواد را بر اساس تمامی مدل­های انبارش مواد ([۱۷]FIFO[18]/FEFO و … )، براساس شماره بچ و یا اولویت بندی تامین کنندگان تحت کنترل داشته باشند و مطابق با دستورالعمل­های داخلی نیاز برنامه­ریزی تولید را در سریع ترین زمان ممکن و با دقت بالا برآورده سازند؛ همچنین می توانند با کمک ربات­های RPA[19]ضمن مدیریت انبارداری چابک و سریع، در زمان ترافیک­های کاری (مانند زمان های Pick و Pack)، کالاها را بر اساس دستورالعمل­های داخلی شرکت و با اعمال اصول [۲۰]HSE و GSP[21] در انبارها و میان طبقات به صورت کاملا مکانیزه جابجا کرده و در لحظه از محل قرارگیری و وضعیت بچ به بچ اقلام مطلع باشند.

این موضوع به آن­ها کمک می­کند تا به‌صورت هوشمندانه و با تحلیل الگوهای اطلاعاتی، ریسک افزایش غیرمنطقی موجودی مازاد و خارج از برنامه، کمبود موجودی مواد اولیه به دلیل تاخیر‌های برنامه‌ریزی‌نشده تأمین مواد و یا ایجاد ترافیک تولید محصولات به دلیل مشکل در فروش را از قبل پیش‌بینی نموده و با تعریف اقدامات اصلاحی و پیشگیرانه مناسب در مدیریت چابک انبارها، تسریع در پیشبرد چرخه سفارش، کاهش هزینه­ها، بهبود رضایت مشتریان و کاهش زمان Shortageهای دارویی گام بردارند.

۳٫۵٫۳) تعمیرات و نگهداری ماشین آلات و تجهیزات: صنعت داروسازی به شدت به کیفیت و دقت تجهیزات تولیدی بستگی دارد. خرابی تجهیزات حیاتی مانند بیوراکتورها می‌تواند منجر به ضررهای میلیارد دلاری شرکت­ها شود.

زمانی که شرکت‌ها با کمک اینترنت اشیا اقدام به تهیه سوابق الکترونیکی و آنلاین از عملکرد ماشین‌آلات و تجهیزات تولیدی نمایند، می‌توانند با هوش مصنوعی و یادگیری ماشینی الگوی عملکرد صحیح آنها را توسعه داده، با تحلیل الگوهای اطلاعاتی وضعیت خرابی آنها را پیش‌بینی کرده و امکان برنامه‌ریزی تعمیرات و نگهداری چابک و انعطاف‌پذیر را فراهم کنند. در این زمان دیگر نیاز به اجرای برنامه تعمیرات نگهداری برای تمامی ماشین‌آلات در یک‌زمان نیست؛ چراکه ممکن است برخی از این ماشین‌ها نیاز به تعمیرات نداشته باشند. بلکه برنامه تعمیرات و نگهداری پیشگیرانه تنها برای موارد موردنیاز انجام می‌شود.

این چابکی در پیش‌بینی باعث می‌شود که اقلام نیاز به تعویض به تعداد موردنیاز، به‌موقع و پیش از بحران در انبار موجود شوند، همچنین باعث کاهش هزینه‌های تعمیرات و نگهداری، کاهش تعداد خرابی‌های ناگهانی، کاهش زمان توقف برنامه‌ریزی‌نشده ماشین‌آلات، کاهش ضایعات محصولات و  افزایش اثربخشی کلی تجهیزات ([۲۲]OEE) می‌شود.

۳٫۵٫۴) مدیریت لجستیک: نقش لجستیک و توزیع داروها با افزایش نیاز به دارو در جامعه جهانی بسیار مهم و حیاتی است. با شیوع کرونا و افزایش ناگهانی نرخ نیاز به اقلام دارویی، سرعت عمل در لجستیک و زنجیره تامین دارو اهمیت خود را بیش از پیش نشان داد. در این راستا شرکت های دارویی در چهارچوب Pharma 4.0 و با کمک هوش مصنوعی، بادگیری ماشینی و اینترنت اشیا می‌توانند:

محموله‌ها را در زمان واقعی ردیابی کنند، بهترین، ایمن‌ترین و کوتاه‌ترین مسیرهای توزیع را بر اساس تحلیل و پیش‌بینی وضعیت ترافیک و شرایط آب‌وهوایی انتخاب کنند، الگوی اطلاعاتی عملکرد ناوگان حمل‌ونقل را مشخص نموده و از اعزام ماشین‌های حملی که احتمال خرابی دارند تا زمان رفع ریسک خرابی خودداری کنند، از کیفیت زنجیره سرد دارویی در طول مسیر توزیع مطلع بوده و از راه دور اقدام به تنظیم شرایط دمایی دیجیتال نمایند، بسته‌بندی و لیبل‌گذاری محصولات و بارگیری ناوگان حمل‌ونقل را با کمک RPAها به‌صورت تمام‌اتومات و با فناوری [۲۳]RFID انجام دهند، فرایندها و اقداماتی که منجر به افزایش ردپای کربن می‌شوند را شناسایی و اقدامات مؤثری را جهت کاهش آن تعریف و پیگیری نمایند. این موارد ضمن کاهش هزینه‌های حمل‌ونقل، ریسک توزیع داروهای تقلبی و همچنین کمبود دارو را در داروخانه‌های سطح کشور به حداقل می‌رساند و عملکرد ناوگان حمل‌ونقل را بهبود می‌بخشد.

 ۳٫۶) مدیریت کارآزمایی بالینی

توسعه دارو فرایند پیچیده‌ای است که شامل مراحل مختلفی از جمله کشف دارو، مطالعات پیش‌بالینی، آزمایش‌های بالینی و تأیید نظارتی است. فارماکوکینتیک و فارماکودینامیک جنبه‌های حیاتی توسعه دارو هستند و مهم‌ترین موضوعات در مطالعات پیش‌بالینی و بالینی نیز به شمار می‌آیند، زیرا دوز بهینه، مسیر تجویز و ایمنی دارو را در بدن تعیین می‌کنند. روش‌های سنتی برای مطالعات فارماکوکینتیک و فارماکودینامیک مانند مطالعات حیوانی و آزمایش‌های بالینی انسانی می‌توانند زمان‌بر و پرهزینه باشند و اطلاعات بادقت و صحیح ثبت و تحلیل نشوند. برای غلبه بر این محدودیت‌ها، مدل‌های محاسباتی و روش‌های هوش مصنوعی برای پیش‌بینی فارماکوکینتیک و فارماکودینامیک دارو به شیوه‌ای سریع‌تر، مقرون‌به‌صرفه‌تر و دقیق‌تر توسعه یافته‌اند.

الگوریتم‌های مختلف یادگیری ماشینی برای پیش‌بینی ویژگی‌های جذب، توزیع، متابولیسم و ​​دفع دارو و الگوریتم‌های یادگیری عمیق در پیش‌بینی پارامترهای مختلف فارماکوکینتیک، مانند جذب دارو، فراهمی زیستی، پاک‌سازی، حجم دارو به کار می‌روند.

علاوه بر اینها با کمک هوش مصنوعی می‌توان پروتکل‌های دقیق‌تر و کارآمدتر مطالعات بالینی را طراحی کرد. همچنین می‌توان بجای ثبت دستی حجم عظیمی از اطلاعات شرکت‌کنندگان در مطالعه که هم زمان‌بر است و هم ریسک بالای خطاهای مستنداتی و پرسنلی دارد، با کمک انواع سیستم‌های اطلاعاتی ثبت و ارسال داده؛ مانند اپلیکیشن‌های همراه، گجت‌های پوشیدنی و مواردی ازاین‌قبیل نتایج پارامترهای کنترلی را به‌صورت آنلاین و طبقه‌بندی‌شده به پایگاه‌های داده کارآزمایی‌های بالینی ارسال کرد. در این زمان با اتصال این پایگاه به پرونده سلامت الکترونیک شرکت‌کنندگان تحلیل‌های دقیق‌تری از عملکرد و اثرات دارو در طول مطالعه بالینی در بدن فرد، پیش‌بینی اثرات بعدی آن، بررسی تداخلات بیولوژیک و مواردی ازاین‌قبیل را به دست آورد. در این زمان پرسنل درگیر در تیم کارآزمایی بالینی وقت و انرژی خود را با کیفیت بالاتر بر روی تحلیل داده‌ها، تدوین نقشه راه بعدی و همچنین مراقبت از بیماران و شرکت‌کنندگان صرف کنند.

برای توسعه چهارچوب Pharma 4.0 باید از کجا شروع کرد؟

۴٫۱) فراهم کردن زیر ساخت تحول

  • در گام نخست مدیران ارشد سازمان باید بلوغ فرایندی و تحول دیجیتال سازمان را حداقل از حیث زیرساخت فناوری، فرایندها و فرهنگ کیفیت سازمان بسنجند.
  • در گام بعد باید متناسب با آنها مأموریت، چشم‌انداز و اهداف سازمان را برای تحول دیجیتال تعریف کنند که با کل اهداف استراتژیک شرکت مطابقت داشته باشد.
  • سپس باید به شناسایی شکاف‌های زیر ساختی، فرایندی و فرهنگی با اهداف تعریف شده پرداخت.
  • در مرحله بعد باید ذی‌نفعان و سرمایه‌گذاران شرکت را متقاعد کرد تا با همسو شدن با اهداف و پذیرش تحول، از کل برنامه تحول دیجیتال حمایت کنند.
  • در این زمان باید کلیه پرسنل را به سفر تحول هدایت کرده و آنها را در مشارکت در تدوین نقشه راه چابک جهت رسیدن به اهداف استراتژی تشویق و ترغیب نمایند. برای این منظور باید اطمینان داشت که مأموریت، چشم‌انداز و اهداف به‌خوبی و به طور واضح توسط کلیه پرسنل دریافت شده باشد و همه از جزئیات این اهداف به یک اندازه مطلع هستند.
  • پس از تدوین نقشه راه باید اقدامات و عملیات را بر اساس اینکه کدام یک ارزش‌افزوده بیشتری برای سازمان دارد و سازمان را سریع‌تر به هدف خود رسانده و چالش‌های بیشتری را از سر راه سازمان برمی‌دارد، اولویت‌بندی کرد و منابع موردنیاز را تخصیص داد.
  • در این میان باید جهت توسعه مهارت‌های پرسنل یک استراتژی آموزشی و پشتیبانی پویا ایجاد کرد که تضمین کند اعضای تیم برای مدیریت فناوری‌ها و روش‌های جدید آماده و توانمند هستند.
  • و در نهایت برنامه‌های ادواری مشخص برای ارزیابی تیم‌ها، اشتراک‌گذاری اطلاعات پیشرفت پروژه‌ها، مشکلات بر سر راه، ایده‌ها و در کل تعاملات سازنده و پویا بین تیم‌ها تنظیم شود.

۴٫۲) اجرای تحول

  • اولین گام در مسیر اجرا و توسعه تحول دیجیتال، اتومات کردن و مکانیزه‌کردن فرایندها بر اساس استانداردهای مختلف مانند [۲۴]BPM (مدیریت فرایندهای کسب‌وکار) است که بر اساس آن بتوان فضایی برای تهیه دیتابیس اطلاعاتی از سوابق فرایندها که زیربنای هوش مصنوعی و یادگیری ماشینی است، فراهم کرد.
  • همچنین باید فرایندهای کاری سنتی را بر اساس استانداردها به‌روز و پویاتر کرد.
  • در چنین شرایطی علاوه بر مکانیزه‌کردن فرایندها و حذف وظایف تکراری و موازی و بدون ارزش‌افزوده، لازم است کلیه فرایندهای مکانیزه به شبکه‌ای از دیتابیس‌ها و فرایندهای مرتبط دیگر متصل شوند تا در آینده بتوان از ارتباطات صحیح شبکه‌ای بین فرایندها تحلیل‌های ارزشمند و پیش‌بینی‌های با ضریب خطای کمتر انجام داد و تصمیمات اجرایی بهتری اتخاذ کرد.
  • لازمه داشتن شبکه اطلاعاتی معتبر نیز انجام معتبرسازی سیستم‌های کامپیوتری (CSV[25]) است تا اطمینان حاصل شود که دیتاهای ورودی، خروجی و کلیه اقدامات و محاسباتی که جهت معنادار شدن آنها انجام می‌شوند همگی به‌درستی و مطابق انتظار و استاندارها عمل می‌کنند.
  • در این زمان سازمان به یک اکوسیستم به‌هم‌پیوسته معنادار از افراد، سامانه‌های اطلاعاتی، ماشین‌آلات و فرایندهای دیجیتالی شده دست‌یافته که می‌تواند در لحظه از وضعیت تمامی فرایندهای در جریان، موانع و مشکلات و گلوگاه‌ها مطلع شوند.

۴٫۳) پایش و کنترل دائمی وضعیت تحول

  • پس از استقرار تحول دیجیتال در شرکت‌های داروسازی هوشمند، تمامی جریان‌های عملیاتی و تعاملات سازمانی شفاف می‌شوند و فرصت‌ها، ریسک‌ها و نقاط قوت و ضعف پنهانی که تا آن موقع از نظرها دورمانده، آشکار شده و در تصمیم‌گیری‌های هوشمندانه جهت بهبود و چابکی فرایندها، پیشگیری از محقق‌شدن ریسک‌ها، به افراد ذی‌صلاح کمک می‌کند.
  • دراین‌خصوص نیاز است که تیم‌های مسئول پایش و کنترل فرایندها از آخرین الزامات مربوط به هر فرایند مطلع باشند تا در صورت نیاز بلافاصله هماهنگی‌های لازم را جهت بازبینی فرایندها را انجام دهند، بتوانند به‌موقع تغییراتی که چابکی و بهینه‌سازی فرایندها ختم می‌شوند را بر اساس تحلیل داده‌ها اعلام کنند تا معماری چابک سازمانی توسعه یابد.

 در مسیر توسعه داروسازی هوشمند، شرکت‌ها با چه چالش‌هایی مواجه خواهند شد؟

تحول دیجیتال در داروسازی در کنار تمام مزایای بی‌شماری که دارد، بدون چالش نیست و نهادهای نظارتی و قانون‌گذار تا کنون نقشه راه مشخصی را اعلام نکرده‌اند و همچنان قوانین و الزامات قدیمی خود را به‌روز نکرده‌اند. در ادامه به بررسی برخی از چالش اصلی توسعه Pharma 4.0 پرداخته می‌شود:

۵٫۱) انطباق با مقررات: همانطور که گفته شد هنوز نهادهای قانون گذار الزامات قدیمی خود را در راستای تحول دیجیتال به روز نکرده و استانداردهای مناسب و کاربردی را تدوین نکرده اند؛ لذا با توجه به اینکه شرکتها هیچگونه حمایت اطلاعاتی از نهادهای قانون گذار مربوطه دریافت نمی کنند و مسیر روشنی در راستای توسعه داروسازی هوشمند ندارند، بسیاری از شرکت ها تمایلی برای توسعه داروسازی هوشمند ندارند و این باعث تاخیر در پیشرفت این تحول در صنعت داروسازی شده است. از طرفی نهادهای قانون گذار نیز نیاز دارند بر اساس آزمون و خطا استانداردها را تعریف کنند و این برای شرکتها هزینه بسیار زیادی در پی داشته و حتی تا به دست آوردن تجربه کافی ممکن است برای بیماران خطر آفرین باشد.

در این میان توافق بین شرکت‌ها و نهادهای قانون‌گذار نظارتی حوزه بهداشت و درمان در خصوص تعامل مشترک تدوین نقشه راه و استاندارد کاری می‌تواند کمک شایانی دراین‌خصوص انجام دهد.

۵٫۲) حریم خصوصی و امنیت داده ها: اطمینان از امنیت داده ها و همچنین حفظ حریم خصوصی بیماران از چالش های بسیار مهم تحول دیجیتال در صنعت داروسازی است؛ پرونده های سلامت افراد می تواند اطلاعاتی را در خصوص جمعیت های خاص منعکس کنند که در اهداف بایوتروریسم از آنها استفاده شود. از طرفی افشای اطلاعات بیماران نقض حقوق آنها است و نباید بدون اطلاع و رضایت بیماران منتشر شود.

این در حالی است که تاکنون قانونی برای حفظ و اشتراک‌گذاری اطلاعات پرونده بیماران تدوین نشده است و هیچ بانک مجاز اطلاعاتی نیز در خصوص حفظ و انتشار قانونی این اطلاعات معرفی نشده است؛ حتی مشخص نیست مالک اطلاعات پرونده سلامت الکترونیک بیماران چه کسانی هستند.

۵٫۳) یکپارچه سازی سیستم های قدیمی: بسیاری از شرکت‌های داروسازی هنوز به سیستم‌های قدیمی وابسته هستند که نمی‌توانند به راحتی با فناوری‌های دیجیتال جدید ادغام شوند. این مشکل اتصال شبکه ای زمانی چالش برانگیزتر می شود که امکان برقراری ارتباط الکترونیکی بین سامانه های دولتی مانند سامانه گمرک ها، وزارت بهداشت، سامان غذا و دارو و امور مالیاتی وجود ندارد.

۵٫۴) استعدادیابی و حفظ آنها: در توسعه Pharma 4.0 شدیدا به استعدادها و نیروهای متخصصی نیاز است که بتوانند به درستی از ابزارهای تحول دیجیتال برای اهداف استراتژیک شرکت استفاده کنند. در این زمان که تعداد متخصصان این حوزه و واقف به الزامات صنعت داروسازی زیاد نیست، جذب و از آن مهم تر حفظ این متخصصان یک چالش مهم برای شرکت های داروسازی است و نیاز است توجه ویژه به این موضوع توسط سازمان ها جلب گردد.

۵٫۵) نیاز به سرمایه گذاری: پیاده‌سازی فناوری‌های Pharma 4.0 در مرحله اول نیازمند سرمایه‌گذاری قابل توجه در توسعه زیرساخت ها، نرم‌افزار و استعدادها است. در این میان شرکت های داروسازی کوچکتر یا آنهایی که منابع محدودی دارند در این خصوص درگیر چالش بزرگ جذب سرمایه هستند. از طرفی چون هنوز هیچ مرجعی به طور شفاف و قاطع مسیر روشنی برای توسعه تحول دیجیتال ارائه نکرده است و دانش جمعی نیز در این خصوص محدود است، سرمایه گذاران تمایلی برای سرمایه گذاری کلان در این خصوص ندارند.

۵٫۶) حفاظت از مالکیت معنوی: وقتی صحبت از الگوریتم‌های سیستم‌های هوش مصنوعی یا اجزای سخت‌افزاری که آنها را قادر به عملکرد می‌کند به میان می‌آید، جای خالی قوانین ثبت اختراع، کپی رایت، مالکیت فکری و معنوی و همچنین مدیریت دانش به وضوح حس می شود. تا کنون نهادهای مربوطه در این خصوص قوانینی را تبیین نکرده و نقشه راهی به کاربران ارائه نکرده اند.

۵٫۷) ریسک جایگزینی هوش مصنوعی با انسان‌ها: کارفرمایان باید در برنامه ریزی های خود به این نکته بسیار توجه کنند که هوش مصنوعی و سایر ابزارهای تحول دیجیتال گرچه می توانند تحلیل های پیچیده انجام دهند و کارها را بهینه تر انجام دهند اما هرگز نمی توانند و نباید جای انسان ها را بگیرند چراکه در تحلیل ظریف ناتوان هستند و نمیتوانند به اندازه انسان ها تصمیمات مهم استراژیک بگیرند. هوش مصنوعی باید برای تسریع در رفع نیاز مشتریان به صورت بهینه به کار گرفته شود.

۵٫۸) از دسترس خارج‌شدن اطلاعات: اختلالاتی مانند قطعی برق، سرعت پایین یا نبود اینترنت و یا عدم دسترسی به شبکه ها و سرورها اطلاعات را تا زمان رفع مشکل از دسترس خارج کرده و اجازه ثبت اطلاعات جدید و تحلیل آنلاین اطلاعات را به کاربران نمی دهد و سازمان نمی تواند به سرعت به تغییرات و نیازها پاسخ دهد. این موضوع منجر به اختلال گسترده در فرآیندها و تحلیل ها خواهد شد.

۵٫۹) تحلیل‌های ناصحیح و عدم بازآموزی هوش مصنوعی: توسعه اشتباه هوش مصنوعی و یادگیری ماشینی و یا استفاده از داده‌های پشتیبان بی‌کیفیت و دارای خطا، می‌توانند منجر به پیش بینی ها یا تصمیمات نادرستی شوند که حتی می تواند جان بیماران را به خطر بیندازد و شرکت‌ها را با شکست‌های جبران‌ناپذیر مواجه کنند.

بازآموزی مدل‌های هوش مصنوعی خود چالش عظیم دیگری است و نیاز به زمان و منابع قابل‌توجهی برای آموزش مجدد مدل با داده‌های جدید دارد. در نتیجه نمی‌توان همیشه از الگوریتم‌های هوش مصنوعی یکسان برای مطالعات مختلف استفاده کرد.

الگوریتم‌های هوش مصنوعی می‌توانند نسبت به جمعیت‌های خاص بیمار تعصب داشته باشند، این موضوع منجر به تشخیص‌ها و درمان‌های نادرست می‌شوند. در نتیجه بسیار مهم و حیاتی است که ارائه‌دهندگان مراقبت‌های بهداشتی الگوریتم‌های هوش مصنوعی خود را بر روی مجموعه‌داده‌های متنوعی که نشان‌دهنده جمعیت‌های مختلف بیماران هستند، آموزش دهند و همواره در خصوص معتبرسازی داده‌ها و عملکرد هوش مصنوعی خود تست‌های کنترلی ادواری را انجام دهند.

از طرفی هوش مصنوعی برای پیش‌بینی دقیق به مقدار قابل‌توجهی داده نیاز دارند. بااین‌حال، در برخی موارد ممکن است داده‌های محدودی برای یک دارو یا جمعیت خاص در دسترس باشد که منجر به پیش‌بینی‌های کمتر دقیق یا نتایج مغرضانه می‌شود. به‌عنوان‌مثال، در مطالعه بیماری‌های نادر ممکن است داده‌های محدودی از بیماران در دسترس باشد، علاوه بر این، برخی از انواع داده‌ها یا شواهد دنیای واقعی، ممکن است به‌راحتی در دسترس نباشند که می‌تواند کاربرد مدل‌های هوش مصنوعی را محدود کند.

۵٫۱۰) عدم وجود پاسخگوی مشخص در برابر خطاهای احتمالی: به دلیل ضعف قوانین مشخص نیست که اگر یک الگوریتم هوش مصنوعی منجر به تحلیل نابجا و اتخاذ تصمیم اشتباه شود و در نهایت به یک بیمار آسیب رسانده شود، چه کسی باید پاسخگو باشد؟ قاعدتا تحلیل هوش مصنوعی الزاما به خطای کاری توسعه دهندگان مرتبط نیست.

۵٫۱۱) عدم شفافیت مدل های تجلیلی پیچیده: گاهی اوقات مدل‌های هوش مصنوعی برای تحلیل های گسترده خود از الگوریتم‌های پیچیده استفاده می‌کنند که حتی  زیرا درک اینکه چگونه مدل به توسعه دهندگان این مدل ها نیز نمی توانند به راحتی منطق تحلیل را پیدا کنند.  این، فقدان شفافیت همچنین می‌تواند منجر به عدم اعتماد به پیش‌بینی‌های مدل شود، به‌ویژه اگر پیش‌بینی‌ها با انتظارات پزشکان یا محققان در تضاد باشد.

۵٫۱۲) سیستم های بیولوژیکی پیچیده: توانایی هوش مصنوعی برای تقلید دقیق از پیچیدگی سیستم های بیولوژیکی بسیار محدود است. سیستم‌های بیولوژیکی پیچیده و پویا هستند و تعداد زیادی از مسیرهای به هم پیوسته و برهمکنش‌های مولکولی پیچیده را در بر می‌گیرند. مدل‌های هوش مصنوعی برای یادگیری الگوها و پیش‌بینی به شدت به داده‌های آموزشی متکی هستند، اما آموزش های موجود ممکن است به طور کامل پیچیدگی‌ها و تفاوت‌های ظریف سیستم‌های بیولوژیکی مانند جهش های ژنتیکی در لحظه، شرایط محیطی، تعاملات آنزیماتیک، تنوع بین فردی و سایر تعاملات غیرقابل پیش بینی بیولوژیک را در اختیار هوش مصنوعی قرار ندهد؛ این موضوع منجر به ناکارآمدی هوش مصنوعی در برابر شبیه سازی شرایط بیولوژیک می شود.

کلام آخر

در پایان، باید اذعان داشت که صنعت داروسازی در آستانه ورود به عصری نوین قرار دارد که نیازمند گام‌هایی بادقت و تدبیر فراوان است.  داروسازی هوشمند چشم‌اندازهای تازه‌ای را در صنعت داروسازی به وجود آورده‌اند. این نوآوری‌ها با ارتقای کیفیت تولید، افزایش کارایی و امکان‌پذیر ساختن شخصی‌سازی درمان‌ها، نویدبخش تحولات شگرفی در حوزه مراقبت‌های بهداشتی هستند. برای صنعت داروسازی در سراسر دنیا، ضروری است که در عین بهره‌برداری از امکانات این فناوری‌ها، به‌صورت جدی چالش‌های پیش‌رو را نیز موردتوجه قرار دهد. این مسئله نیازمند همکاری نزدیک میان بخش‌های دولتی، خصوصی و دانشگاهی است.

 

عبارات اختصاری:

[۱] The United States Food and Drug Administration

[۲] World Health Organization

[۳] Pharmaceutical Inspection Co-operation Scheme

[۴] International Society for Pharmaceutical Engineering

[۵]Cyber-Physical Systems همان ربات ها و ماشین آلات پیشرفته هستند که با اینترنت اشیا، هوش مصنوعی، رایانش ابری، واقعیت افزوده، تجزیه و تحلیل داده‌های بزرگ، رباتیک پیشرفته و سایر ابزارهای هوشمندسازی، ادغام شده اند.

[۶]Computer Numerical Control جدید ترین و نوین‌ ترین ماشین‌ آلات صنعتی تمام اتومات هستند که مشابه رباتها عمل کرده و توانایی یادگیری دارند.

[۷] Real-Time Release Testing

[۸] Advanced Process Control

[۹] Out of Specification

[۱۰] internet of Things

[۱۱] چهارچوبی است که بر اساس آن مستندات استاندارد دارویی تهیه می شوند. الزامات این چهارچوب شامل موارد زیر است:

Attributable (ثبت اطلاعات توسط انجام دهندگان فرآیندها)، Legible (خوانا بودن)، Contemporaneous (همزمانی ثبت با اجرا)، Original (اصل و واقعی بودن اطلاعات)، Accurate (دقیق بودن اطلاعات)، Complete (کامل بودن اطلاعات)، Consistent (پیوسته بودن اطلاعات)، Enduring (بقای اطلاعات)، Available (در دسترس بودن اطلاعات) و Traceability (قابل ردیابی)

[۱۲] Product Quality Review

[۱۳] Quality Management System

[۱۴] Pharmaceutical Supply Chain

[۱۵] Advanced Planning and Scheduling

[۱۶] Warehouse Management System

[۱۷] First expire-First out

[۱۸] First in-First out

[۱۹] Robotic process automation

[۲۰] Health, Safety, and Environment

[۲۱] Good Storage Practice

[۲۲] Overall equipment effectiveness

[۲۳] Radio Frequency Identification

[۲۴] Business Process Management

[۲۵] Computer System Validation

تألیف و ترجمه از زهرا بیات

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره جامع و بلندمدت «متخصص حرفه‌ای معماری سازمانی» با رویکرد کاربردی و اجراییاطلاعات بیشتر و ثبت‌نام
بستن