Vérification continue des procédés en pharma : ce que montre la littérature

Introduction

Demandez à n'importe quel professionnel de la qualité dans la fabrication pharmaceutique ce qu'est la Continued Process Verification, et vous obtiendrez probablement une réponse de manuel en quelques secondes. Étape 3. État de maîtrise. Analyse statistique des tendances. Tout le monde connaît la théorie.

Mais voici la question plus intéressante : que disent réellement la littérature publiée, les lettres d'observation, les rapports techniques et les études de cas sur la façon dont la CPV se déroule effectivement sur le plancher de production ? 

Pas la version policée d'une diapositive de formation, mais la version désordonnée et réelle où les données ne se comportent pas, où les signaux sont ignorés, et où les feuilles de calcul dominent encore plus d'installations qu'on ne voudrait l'admettre.

C'est ce que cet article explore. Pas de cours alourdi de jargon, juste un regard franc sur ce que chercheurs, régulateurs et praticiens ont réellement observé.

D'abord, un rappel de 60 secondes

Si vous découvrez le terme, voici la version courte. En 2011, la FDA a publié des recommandations qui ont réorganisé la validation des procédés en trois étapes au lieu de la considérer comme un événement unique :

1. Étape 1 – Conception du procédé : Vous construisez la compréhension du procédé, généralement via des études de développement et des plans d'expériences.

2. Étape 2 – Qualification du procédé : Vous prouvez, par des exécutions de qualification comme la Process Performance Qualification (PPQ), que le procédé peut réellement produire des lots commerciaux cohérents.

3. Étape 3 – Vérification continue du procédé (CPV) : Vous continuez à surveiller. Pour toujours. Ou du moins tant que le produit est commercialisé.

Ce n'est pas un exercice ponctuel. C'est un programme continu, guidé statistiquement, visant à collecter et à analyser les données de procédé et de produit pendant la fabrication commerciale de routine, et il s'appuie sur une exigence réglementaire spécifique, 21 CFR 211.180(e), qui demande ce type de surveillance continue pour confirmer qu'un procédé de fabrication reste dans un "state of control" validé. Un seul lot PPQ réussi ne compte pas comme de la CPV. La CPV est le programme qui continue bien après que ce jalon ait été atteint.

Voilà la théorie. Passons maintenant à ce que la littérature montre qu'il se passe réellement.

Que montre réellement la littérature ?

1) La CPV est traitée comme une case à cocher beaucoup trop souvent

Malgré le fait qu'il s'agisse d'une attente réglementaire formelle depuis bien plus d'une décennie, de nombreuses entreprises considèrent encore l'Étape 3 comme une réflexion après coup. Les commentaires de l'industrie ont souligné que la CPV a été historiquement négligée, beaucoup d'entreprises n'étant pas conscientes qu'un programme CPV approprié est en fait une exigence réglementaire plutôt qu'un simple plus. C'est une constatation frappante pour une étape de validation présente dans les recommandations depuis 2011. Cela montre que le problème n'est pas la connaissance des règles, mais la priorisation et l'allocation des ressources.

2) Ce sont les problèmes de données, pas les problèmes conceptuels, qui causent la plupart des douleurs

On pourrait penser que la partie difficile de la CPV serait de comprendre la statistique. En pratique, la littérature suggère que la partie la plus difficile est simplement d'obtenir des données propres et exploitables en premier lieu. Un thème récurrent est que les données de fabrication sont souvent autocorrélées positivement, ce qui signifie que les résultats consécutifs ont tendance à se ressembler plutôt qu'à être entièrement indépendants. 

Non traitée, cela rompt silencieusement les hypothèses sous-jacentes des cartes de contrôle standard, car les données de fabrication biopharmaceutique ont tendance à montrer une dépendance séquentielle, ce qui signifie que chaque attribut de qualité doit être évalué pour en identifier les causes et ajusté avec une approche statistique appropriée, comme tracer les résidus d'un modèle de séries temporelles ajusté plutôt que les valeurs brutes elles-mêmes.

De plus, de nombreuses installations sont encore bloquées avec des enregistrements manuels et lourds en papier. Ce n'est pas non plus une simple gêne. L'analyse de programmes CPV réels a montré que les entreprises qui reposent sur des processus manuels et non standardisés se retrouvent souvent avec une position réglementaire plus faible, car les dossiers de lot papier ne peuvent pas être synchronisés avec les systèmes électroniques, ce qui rend la compilation des données véritablement difficile et ralentit tout le cycle CPV.

Les enregistrements manuels et papier ne sont pas uniques à la CPV, ils constituent un goulot d'étranglement qualité récurrent dans la fabrication pharmaceutique.

→ Lire : Pharmaceutical Quality Control: 2025 Playbook

3) La rigueur statistique n'est pas optionnelle, et les régulateurs l'appliquent

C'est l'une des conclusions les plus nettes de la littérature récente : choisir le mauvais outil statistique pour vos données n'est pas seulement une erreur technique, c'est une observation d'inspection qui attend de se produire. Un exemple documenté de 2024 rend cela concret. 

Les régulateurs s'attendent à ce que les entreprises justifient leurs choix statistiques avec des éléments tels que des tests de normalité et des analyses de capabilité, et une entreprise en 2024 qui a appliqué des cartes de contrôle standard à des données de dissolution non normales a reçu une observation formelle pour absence de justification statistique, ce qui illustre exactement pourquoi les vérifications de l'adéquation des données ne peuvent pas être sautées. 

La leçon est simple mais importante : on ne peut pas se contenter d'utiliser la même carte de contrôle pour chaque attribut de qualité. L'outil approprié dépend du comportement réel des données sous-jacentes.

4) Il n'existe toujours pas de mode d'emploi industriel pour réagir à un signal

Détecter un signal dans vos données CPV (par exemple, une violation d'une règle de carte de contrôle ou un indice de capabilité qui dérive) est une chose. Savoir exactement quoi en faire, de manière cohérente, entre équipes et sites, en est une autre. Les instances professionnelles ont signalé cela comme une lacune ouverte. 

Comme l'a observé un groupe industriel, il n'existe actuellement aucune orientation réglementaire décrivant comment l'industrie devrait répondre lorsqu'un signal de données CPV apparaît, c'est pourquoi des efforts sont en cours pour standardiser le processus de prise de décision autour de ces signaux. 

Jusqu'à ce que cette standardisation mûrisse, beaucoup de décisions "que faisons-nous maintenant" reposent encore sur des jugements locaux, ce qui mène naturellement à des incohérences entre entreprises, et parfois entre sites au sein d'une même entreprise.

5) Les outils statistiques sont utilisés, mais souvent comme un menu plutôt que comme une stratégie

La bonne nouvelle : personne dans la littérature ne s’oppose à l’utilisation des statistiques. Des outils comme les cartes de contrôle, les indices de capabilité (Cpk) et les méthodes de type Six Sigma sont largement cités comme l’épine dorsale du CPV. Mais un point plus subtil est enfoui dans les recommandations : le choix de l’outil doit être adapté à la phase et fondé sur le risque, et non un choix unique par défaut.

La pratique recommandée est qu’une stratégie statistique de CPV soit construite autour de la quantité de données disponibles et de l’étape du cycle de vie du produit, idéalement documentée dans une SOP avec une structure par paliers basée sur le volume des lots, de sorte que le niveau d’examen statistique évolue de manière raisonnable plutôt que de rester statique indéfiniment.

6) Les outils numériques et l’IA entrent dans la discussion, mais ils ne remplacent pas une bonne hygiène des données

L’intérêt pour l’utilisation de l’apprentissage automatique et des analyses avancées afin de traiter plus efficacement le volume massif de données CPV se développe dans la littérature. C’est une orientation raisonnable, étant donné la quantité de données qu’un seul procédé commercial génère au cours de sa durée de vie.

Mais les contributions les plus étayées prennent soin de noter qu’il s’agit d’un ajout, et non d’un remplacement des fondamentaux : les progrès en analyse statistique, en modélisation et en apprentissage automatique sont de plus en plus attendus comme faisant partie de la manière dont l’industrie exploite la connaissance du procédé accumulée tout au long du cycle de validation.

Autrement dit, de meilleurs outils vous aident à détecter les problèmes plus rapidement, mais ils ne corrigent pas un programme qui n’a jamais bénéficié d’une collecte de données solide ou d’une justification statistique au départ.

Les systèmes qualité numériques et pilotés par l’IA transforment plus que le CPV : les plateformes eQMS modifient la manière dont la conformité est gérée à l’échelle de l’industrie.
→ Lire : Meilleurs outils de conformité pour les entreprises pharmaceutiques

Le schéma qui sous-tend tout cela

Si l’on prend du recul à l’échelle de ces constats, un schéma émerge. Le côté conceptuel du CPV, le « pourquoi » et le « quoi », est bien compris et rarement contesté. Personne dans la littérature ne remet en question l’importance de la surveillance continue. La difficulté porte presque entièrement sur le « comment » :

• Comment collecter des données de manière cohérente entre les systèmes manuels et numériques ?

• Comment choisir une méthode statistique qui corresponde réellement au comportement réel de vos données ?

• Comment s’assurer qu’un signal détecté conduit à une action opportune et bien motivée au lieu de rester dans un rapport que personne ne lit ?

• Comment maintenir le programme à une échelle appropriée plutôt que de sous-surveiller ou d’inonder les équipes d’alertes non pertinentes ?

Aucun de ces problèmes n’est exotique. Ils sont autant opérationnels et culturels que statistiques.

Qu’est-ce qu’un programme de CPV bien géré tend à avoir en commun ?

En se basant sur ce qui fonctionne bien dans la littérature, quelques traits reviennent sans cesse :

• Une stratégie statistique écrite et fondée sur le risque, liée à l’étape du cycle de vie du produit et au volume de lots, et non un modèle générique copié d’un produit à l’autre.

• Des vérifications de l’adéquation des données avant le choix des outils : normalité, autocorrélation et forme de la distribution sont examinées avant d’appliquer une carte de contrôle ou un indice de capabilité.

• Une capture de données électronique et intégrée qui évite les retards et les lacunes liés aux dossiers de lots sur papier.

• Un processus documenté de réaction aux signaux afin que, lorsqu’un élément semble anormal, l’étape suivante soit claire plutôt que débattue au cas par cas.

• Des cycles de révision périodiques où le plan CPV lui‑même est réévalué, pas seulement les données qui le traversent.

• Une responsabilisation interfonctionnelle, puisque le CPV se situe véritablement à l’intersection de la fabrication, de la qualité et des statistiques, et a tendance à échouer lorsqu’il est considéré comme la seule responsabilité d’un département.

Pourquoi cela importe-t-il au-delà du dossier d’inspection ?

Il est tentant de présenter le CPV uniquement comme une obligation de conformité, quelque chose que l’on fait parce que le 21 CFR l’exige. Mais la littérature avance également un argument plus discret et plus pragmatique : un programme CPV mature réduit véritablement les taux d’échec et diminue le coût de la qualité au fil du temps, car il détecte la dérive avant qu’elle ne devienne une déviation, et détecte une déviation avant qu’elle ne devienne un rappel. La conformité réglementaire et la fiabilité opérationnelle ne sont pas vraiment deux objectifs séparés ici. C’est le même objectif, vu depuis deux bureaux différents.

En conclusion

La littérature sur le Continued Process Verification ne décrit pas un système brisé. Elle décrit un système conceptuellement mature mais opérationnellement inégal, solide sur le principe, inconstant dans l’exécution.

Les entreprises qui traitent la Phase 3 aussi sérieusement qu’elles traitent la Phase 2 apparaissent souvent dans les études de cas comme des réussites. Celles qui la considèrent comme de la paperasse apparaissent dans les lettres d’avertissement.

L’écart entre ces deux issues n’est généralement pas un déficit de connaissances. C’est un déficit de discipline, et le combler est largement à la portée de toute équipe de production prête à appliquer la même rigueur à la Phase 3 qu’elle apporte déjà à la Phase 1 et à la Phase 2.

FAQ

1) Qu’est-ce que le Continued Process Verification (CPV) en pharma ?

Le Continued Process Verification est la Phase 3 du cycle de vie de la validation des procédés. Il implique une surveillance continue et un suivi statistique des données du procédé de fabrication et du produit afin de confirmer que le procédé reste dans un état validé de maîtrise pendant la production commerciale courante.

2) Quels sont les principaux défis du CPV dans la fabrication pharmaceutique en conditions réelles ?

Un défi majeur est d’obtenir des données cohérentes, fiables et exploitables. Les enregistrements manuels, les systèmes déconnectés, les formats de données incohérents et une mauvaise intégration des données peuvent rendre difficile la collecte et l’analyse efficaces des données CPV.

3) Pourquoi l’analyse statistique est-elle importante dans le CPV ?

L’analyse statistique aide les fabricants à identifier les tendances de procédé, la variabilité et les signaux potentiels avant qu’ils ne deviennent des problèmes significatifs. Cependant, la méthode statistique doit convenir aux caractéristiques des données. Par exemple, la normalité et l’autocorrélation doivent être prises en compte avant d’appliquer des cartes de contrôle standard ou une analyse de capabilité.

4) Que doit faire une entreprise lorsqu'un signal CPV est détecté ?

Une entreprise doit disposer d'une procédure documentée de réponse aux signaux qui définit comment les signaux sont évalués, investigués et escaladés. La réponse doit être basée sur le type et l'importance du signal plutôt que de traiter chaque variation statistique comme une défaillance de fabrication.

5) Comment les outils numériques peuvent-ils améliorer les programmes CPV ?

Les systèmes numériques peuvent rendre la collecte, l'intégration, le suivi des tendances et l'analyse des données plus rapides et plus cohérents. L'analytique avancée et l'IA peuvent également aider à identifier des motifs dans de grands ensembles de données. Cependant, les outils numériques ne peuvent pas compenser une mauvaise qualité des données, des stratégies statistiques faibles ou des processus CPV inadéquats.