Fortlaufende Prozessüberwachung in der Pharmaindustrie: Was die Literatur zeigt

Einführung

Fragen Sie irgendeinen Qualitätsfachmann in der Pharmaherstellung nach Continued Process Verification, und Sie erhalten wahrscheinlich innerhalb von Sekunden eine buchstäbliche Antwort. Stufe 3. Zustand der Kontrolle. Statistische Trends. Jeder kennt die Theorie.

Aber hier ist die interessantere Frage: Was sagen die tatsächlich veröffentlichten Fachliteratur, die Warning Letters, die technischen Berichte und die Fallstudien darüber, wie CPV sich wirklich auf der Werkstatt- bzw. Produktionsfläche abspielt? 

Nicht die polierte Version von einer Schulungsfolie, sondern die unordentliche, reale Version, in der Daten sich nicht verhalten, Signale ignoriert werden und in mehr Anlagen als man zugeben möchte immer noch Tabellenkalkulationen den Ton angeben.

Genau das beleuchtet dieser Artikel. Kein jargonlastiger Vortrag, sondern ein klarer Blick darauf, was Forscher, Aufsichtsbehörden und Praktiker tatsächlich beobachtet haben.

Zuerst: Eine 60-Sekunden-Auffrischung

Falls Sie mit dem Begriff neu sind, hier die Kurzfassung. 2011 veröffentlichte die FDA eine Guidance, die die Prozessvalidierung in drei Stufen umstrukturierte, statt sie als einmaliges Ereignis zu betrachten:

1. Stufe 1 – Prozessdesign: Sie bauen Prozessverständnis auf, üblicherweise durch Entwicklungsstudien und Versuchsplanung (Design of Experiments).

2. Stufe 2 – Prozessqualifizierung: Sie weisen mittels Qualifikationsläufen wie Process Performance Qualification (PPQ) nach, dass der Prozess tatsächlich konsistente kommerzielle Chargen erzeugen kann.

3. Phase 3 – Fortlaufende Prozessvalidierung (CPV): Sie beobachten weiter. Für immer. Oder zumindest solange das Produkt auf dem Markt ist.

Das ist keine einmalige Übung. Es ist ein fortlaufendes, statistisch gesteuertes Programm zur Erfassung und Trendanalyse von Prozess- und Produktdaten während der routinemäßigen kommerziellen Herstellung und beruht auf einer konkreten regulatorischen Anforderung, 21 CFR 211.180(e), die eine solche kontinuierliche Überwachung verlangt, um zu bestätigen, dass ein Herstellprozess in einem validierten "state of control" bleibt. Eine einzelne erfolgreiche PPQ-Charge zählt nicht als CPV. CPV ist das Programm, das lange nach diesem Meilenstein weiterläuft.

Das ist die Theorie. Nun schauen wir uns an, was die Literatur tatsächlich berichtet.

Was zeigt die Literatur tatsächlich?

1) CPV Wird Deutlich Häufiger Als Ein Kästchen Abgehakt, Als Es Sollte

Trotzdem es seit über einem Jahrzehnt eine formale regulatorische Erwartung ist, behandeln viele Unternehmen Stufe 3 immer noch als Nachgedanken. Branchenkommentare haben darauf hingewiesen, dass CPV historisch oft übersehen wurde, wobei viele Unternehmen nicht wussten, dass ein ordnungsgemäßes CPV-Programm tatsächlich eine regulatorische Anforderung und kein Nice-to-have ist. Das ist eine bemerkenswerte Erkenntnis für eine Validierungsstufe, die seit 2011 in Guidance existiert. Es zeigt, dass die Lücke hier weniger am Wissen um die Regeln liegt, sondern an Priorisierung und Ressourcenverteilung.

2) Datenprobleme, Nicht Konzeptuelle Probleme, Verursachen Den Großteil Des Schmerzes

Man würde denken, der schwierige Teil von CPV sei das Verständnis der Statistik. In der Praxis deutet die Literatur darauf hin, dass der schwierigere Teil schlicht darin besteht, überhaupt saubere, verwertbare Daten zu erhalten. Ein wiederkehrendes Thema ist, dass Herstellungsdaten oft positiv autokorreliert sind, was bedeutet, dass aufeinanderfolgende Ergebnisse sich tendenziell ähneln, statt vollständig unabhängig zu sein. 

Wenn das unbehandelt bleibt, bricht es stillschweigend die Annahmen hinter Standard-Kontrollkarten, weil biopharmazeutische Herstellungsdaten die Tendenz zu sequenzieller Abhängigkeit zeigen, was bedeutet, dass jede Qualitätsgröße auf die Ursachen dieses Verhaltens hin bewertet und mit einem geeigneten statistischen Ansatz angepasst werden muss, z. B. durch Charting der Residuen aus einem angepassten Zeitreihenmodell statt der Rohwerte selbst.

Dazu kommt, dass viele Anlagen immer noch an manuellen, papierlastigen Aufzeichnungen hängen. Das ist auch kein kleines Ärgernis. Analysen realer CPV-Programme haben gezeigt, dass Unternehmen, die auf manuelle, nicht standardisierte Prozesse setzen, oft eine schwächere regulatorische Stellung haben, weil papierbasierte Chargenaufzeichnungen nicht mit elektronischen Systemen synchronisiert werden können, was die Datenzusammenführung wirklich schwierig macht und den gesamten CPV-Zyklus verlangsamt.

Manuelle, papierlastige Aufzeichnungen sind nicht auf CPV beschränkt, sie sind ein wiederkehrender Qualitätsengpass in der gesamten Pharmaherstellung.

→ Lesen: Pharmazeutische Qualitätskontrolle: Playbook 2025

3) Statistische Strenge Ist Nicht Optional, Und Aufsichtsbehörden Setzen Das Durch

Das ist eine der schärferen Erkenntnisse in der jüngeren Literatur: Das falsche statistische Werkzeug für Ihre Daten zu wählen, ist nicht nur ein technischer Fehler, sondern ein Prüfungsbefund, der nur darauf wartet, aufzutauchen. Ein dokumentiertes Beispiel aus 2024 macht das konkret. 

Regulatoren erwarten von Firmen, ihre statistischen Entscheidungen zu begründen, etwa durch Normalitätstests und Fähigkeitsanalysen, und eine Firma, die 2024 Standard-Kontrollkarten auf nicht-normalverteilte Dissolutionsdaten anwendete, erhielt eine formale Feststellung wegen fehlender statistischer Begründung, was genau veranschaulicht, warum Daten-Eignungsprüfungen nicht übersprungen werden dürfen. 

Die Schlussfolgerung hier ist einfach, aber wichtig: Sie können nicht einfach für jede Qualitätsgröße standardmäßig dieselbe Kontrollkarte verwenden. Das richtige Werkzeug hängt davon ab, wie sich die zugrunde liegenden Daten tatsächlich verhalten.

4) Es Gibt Noch Kein Branchenweites Playbook Für Das Reagieren Auf Ein Signal

Ein Signal in Ihren CPV-Daten zu erkennen (z. B. eine Verletzung einer Kontrollkartenregel oder ein sich verschiebender Fähigkeitsindex) ist das eine. Genau zu wissen, was man dann tun soll, konsistent über Teams und Standorte hinweg, ist etwas anderes. Berufsverbände haben dies als offene Lücke hervorgehoben. 

Wie eine Industriegruppe bemerkte, gibt es derzeit keine regulatorische Guidance, die beschreibt, wie die Branche reagieren sollte, wenn ein CPV-Datensignal auftritt, weshalb Anstrengungen laufen, den Entscheidungsprozess rund um diese Signale zu standardisieren. 

Bis diese Standardisierung ausgereift ist, fallen viele "Was machen wir jetzt"-Entscheidungen weiterhin in lokale Ermessensspielräume, was naturgemäß zu Inkonsistenzen zwischen Unternehmen und manchmal sogar zwischen Standorten desselben Unternehmens führt.

5) Statistische Werkzeuge Werden Eingesetzt, Aber Oft Mehr Als Menü Statt Als Strategie

Die gute Nachricht: Niemand in der Fachliteratur lehnt Statistiken ab. Werkzeuge wie Kontrollkarten, Fähigkeitsindizes (Cpk) und Six‑Sigma‑artige Methoden werden häufig als Rückgrat von CPV genannt. Aber in den Leitlinien steckt ein subtilerer Punkt: Die Wahl des Werkzeugs sollte phasenangemessen und risikobasiert sein und nicht als Einheitslösung dienen.

Empfohlene Praxis ist, dass eine CPV‑Statistikstrategie auf der verfügbaren Datenmenge und der Phase im Produktlebenszyklus aufbauen sollte, idealerweise dokumentiert in einer SOP mit einer gestuften Struktur basierend auf Losgröße, sodass das Maß an statistischer Prüfung sinnvoll skaliert und nicht dauerhaft statisch bleibt.

6) Digitale Werkzeuge & KI treten in die Diskussion ein, sind aber kein Ersatz für gute Datenhygiene

In der Literatur wächst das Interesse, maschinelles Lernen und fortgeschrittene Analytik zu nutzen, um die schiere Menge an CPV‑Daten effizienter zu verarbeiten. Das ist eine sinnvolle Richtung, angesichts dessen, wie viele Daten ein einzelner kommerzieller Prozess im Laufe seiner Lebenszeit erzeugt.

Aber die fundierteren Beiträge weisen sorgfältig darauf hin, dass dies additiv ist und die Grundlagen nicht ersetzt: Fortschritte in statistischer Analyse, Modellierung und Machine Learning werden zunehmend erwartet, Teil dessen zu sein, wie die Branche das Prozesswissen nutzt, das sie über den Validierungslebenszyklus aufbaut.

Mit anderen Worten: Bessere Werkzeuge helfen, Probleme schneller zu erkennen, aber sie beheben kein Programm, das nie eine solide Datenerfassung oder statistische Begründung hatte.

Digitale und KI‑gestützte Qualitätsysteme verändern mehr als CPV; eQMS‑Plattformen verändern, wie Compliance branchenweit verwaltet wird.
→ Lesen: Beste Compliance-Tools für Pharmaunternehmen

Das Muster hinter alldem

Wenn man diese Erkenntnisse zusammenführt, zeigt sich ein Muster. Die konzeptionelle Seite von CPV, das „Warum“ und das „Was“, ist gut verstanden und selten umstritten. Niemand in der Literatur stellt in Frage, ob kontinuierliche Überwachung wichtig ist. Der Kampf dreht sich fast vollständig um das „Wie":

• Wie sammelt man Daten konsistent über manuelle und digitale Systeme hinweg?

• Wie wählt man eine statistische Methode, die tatsächlich zum realen Verhalten Ihrer Daten passt?

• Wie stellt man sicher, dass ein erkanntes Signal zu einer zeitnahen, wohlüberlegten Maßnahme führt, anstatt in einem Bericht zu versinken, den niemand liest?

• Wie behält man das Programm in angemessenem Umfang, anstatt entweder unterzuüberwachen oder Teams mit irrelevanten Alarmen zu überfluten?

Keines dieser Probleme ist exotisch. Sie sind operativ und kulturell ebenso wie statistisch.

Was haben gut geführte CPV‑Programme gemeinsam?

Aus dem, was sich in der Literatur als erfolgreich erwiesen hat, tauchen immer wieder einige Merkmale auf:

• Eine schriftliche, risikobasierte Statistikstrategie, die an Produktlebenszyklus‑Stufe und Losgröße gebunden ist und nicht als generische Vorlage über Produkte kopiert wird.

• Prüfungen der Datentauglichkeit vor der Werkzeugauswahl – Normalverteilung, Autokorrelation und Verteilungsform werden untersucht, bevor eine Kontrollkarte oder Fähigkeitsanalyse angewendet wird.

• Elektronische, integrierte Datenerfassung, die Verzögerungen und Lücken vermeidet, wie sie bei papierbasierten Chargenunterlagen auftreten.

• Ein dokumentierter Signal‑Antwort‑Prozess, sodass wenn etwas auffällig ist, der nächste Schritt klar ist und nicht fallweise debattiert wird.

• Periodische Überprüfungszyklen, in denen der CPV‑Plan selbst neu bewertet wird, nicht nur die Daten, die durch ihn fließen.

• Funktionsübergreifende Verantwortung, da CPV tatsächlich an der Schnittstelle von Herstellung, Qualität und Statistik steht und dazu neigt zu scheitern, wenn es als alleiniges Zuständigkeitsgebiet einer Abteilung behandelt wird.

Warum ist das jenseits der Inspektionsakte wichtig?

Es ist verlockend, CPV rein als Compliance‑Pflicht zu sehen, etwas, das man tut, weil 21 CFR es verlangt. Aber die Literatur macht auch einen leiseren, praktischeren Punkt: Ein ausgereiftes CPV‑Programm reduziert tatsächlich Ausfallraten und senkt im Zeitverlauf die Kosten der Qualität, weil es Drift erkennt, bevor sie zu einer Abweichung wird, und eine Abweichung erkennt, bevor sie zu einem Rückruf wird. Regulatorische Compliance und operative Zuverlässigkeit sind hier nicht zwei getrennte Ziele. Sie sind dasselbe Ziel, aus zwei verschiedenen Perspektiven betrachtet.

Abschließend

Die Literatur zu Continued Process Verification beschreibt kein kaputtes System. Sie beschreibt ein konzeptionell ausgereiftes, aber operativ uneinheitliches System, stark in der Prinzipienebene, inkonsistent in der Umsetzung.

Unternehmen, die Stage 3 genauso ernst nehmen wie Stage 2, tauchen in Fallstudien als Erfolgsgeschichten auf. Unternehmen, die es als Papierkram behandeln, erscheinen in Warning Letters.

Die Lücke zwischen diesen beiden Ergebnissen ist normalerweise kein Wissensdefizit. Es ist eine Disziplinkrise, und sie zu schließen liegt gut im Bereich jeder Fertigungsabteilung, die bereit ist, in Stage 3 die gleiche Strenge anzuwenden wie in Stage 1 und Stage 2.

Häufig gestellte Fragen

1) Was ist Continued Process Verification (CPV) in der Pharma?

Continued Process Verification ist Stage 3 des Validierungslebenszyklus. Es umfasst die fortlaufende Überwachung und statistische Trendanalyse von Herstellungsprozess‑ und Produktdaten, um zu bestätigen, dass der Prozess während der routinemäßigen kommerziellen Produktion in einem validierten Kontrollzustand bleibt.

2) Was sind die größten Herausforderungen bei CPV in der realen pharmazeutischen Produktion?

Eine wesentliche Herausforderung ist, konsistente, verlässliche und nutzbare Daten zu erhalten. Manuelle Aufzeichnungen, getrennte Systeme, inkonsistente Datenformate und schlechte Datenintegration können es erschweren, CPV‑Daten effizient zu sammeln und zu analysieren.

3) Warum ist statistische Analyse in CPV wichtig?

Statistische Analyse hilft Herstellern, Prozesstrends, Variabilität und potenzielle Signale zu identifizieren, bevor sie zu signifikanten Problemen werden. Die statistische Methode muss jedoch zu den Eigenschaften der Daten passen. Beispielsweise sollten Normalität und Autokorrelation berücksichtigt werden, bevor Standardkontrollkarten oder Fähigkeitsanalysen angewendet werden.

4) Was sollte ein Unternehmen tun, wenn ein CPV-Signal erkannt wird?

Ein Unternehmen sollte über eine dokumentierte Signal‑Antwort‑Prozedur verfügen, die definiert, wie Signale bewertet, untersucht und eskaliert werden. Die Reaktion sollte auf der Art und Bedeutung des Signals basieren, statt jede statistische Abweichung als Fertigungsfehler zu betrachten.

5) Wie können digitale Werkzeuge CPV‑Programme verbessern?

Digitale Systeme können Datenerfassung, Integration, Trendanalyse und Auswertung schneller und konsistenter machen. Fortgeschrittene Analytik und KI können außerdem helfen, Muster in großen Datensätzen zu erkennen. Digitale Werkzeuge können jedoch schlechte Datenqualität, schwache statistische Strategien oder unzureichende CPV‑Prozesse nicht kompensieren.