Фармацевтическая отрасль 4.0. Цифровая трансформация

(Аладышева Ж.И., Беляев В.В., Береговых В.В., Береговых Р.М., Богатиков С.А., Бркич Г.Э., Головкина О.И., Заборовский А.В., Зырянов О.А., Колышкин В.М., Кузнецов А.О., Куликова О.А., Лаврентьева Л.И., Лебедев Г.С., Маршалова М.М., Мигалев Д.А., Пятигорская Н.В., Романов Ф.А., Смирнова А.В., Сухомлин И.Г., Хохлов А.Л., Шаталов Д.О., Яворский А.Н.)

(под общ. ред. А.Л. Хохлова, Н.В. Пятигорской)

(«Издательство ОКИ», 2025)

Хохлов Александр Леонидович, д. мед. н., профессор, академик РАН, зав. кафедрой фармакологии и клинической фармакологии ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России, председатель Совета по этике научных исследований при Президиуме РАН, председатель Совета по этике при Министерстве здравоохранения РФ, Ярославль.

Пятигорская Наталья Валерьевна, д. фарм. н., профессор, член-кор. РАН, зам. директора по научной работе Института трансляционной медицины и биотехнологии, зав. кафедрой промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Дурнев Андрей Дмитриевич, д. мед. н., профессор, академик РАН, зав. лабораторией лекарственной токсикологии, ФГБНУ «ФИЦ оригинальных и перспективных биомедицинских и фармацевтических технологий», Москва.

Зарубина Татьяна Васильевна, д. мед. н., профессор, член-кор. РАН, заслуженный деятель науки РФ, зав. кафедрой медицинской кибернетики и информатики им. С.А. Гаспаряна МБФ; директор института цифровой трансформации медицины ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России (Пироговский университет), Москва.

Лужанин Владимир Геннадьевич, д. фарм. н., доцент, ректор ФГБОУ ВО «Пермская государственная фармацевтическая академия» Минздрава России, Пермь.

Аладышева Жанна Игоревна, к. мед. н., доцент кафедры промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Беляев Василий Викторович, к. фарм. н., доцент кафедры промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Береговых Валерий Васильевич, д. техн. н., профессор, академик РАН, профессор кафедры промышленной фармации ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Береговых Роман Михайлович, руководитель направления аналитики по продуктам научного производства ФБУН «Центральный научно-исследовательский институт эпидемиологии» Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека, Москва.

Богатиков Сергей Анатольевич, руководитель производственных проектов, группа компаний «Р-Фарм», Москва.

Бркич Галина Эдуардовна, д. фарм. н., доцент, руководитель центра фармацевтических технологий Института трансляционной медицины и биотехнологии, профессор кафедры промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Головкина Ольга Ивановна, директор Ярославского завода готовых лекарственных форм, группа компаний «Р-Фарм», Ярославль.

Заборовский Андрей Владимирович, д. мед. н., зав. кафедрой фармакологии, проректор ФГБОУ ВО «Российский университет медицины» Минздрава России, член Совета по этике при Министерстве здравоохранения РФ, Москва.

Зырянов Олег Анатольевич, к. фарм. н., доцент кафедры промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Колышкин Владимир Михайлович, д. биол. н., зав. базовой кафедрой биотехнологии и промышленной фармации ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России, вице-президент по биотехнологиям, группа компаний «Р-Фарм», Ярославль.

Кузнецов Андрей Олегович, лаборант-исследователь центра фармацевтических технологий Института трансляционной медицины и биотехнологии ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Куликова Ольга Анатольевна, начальник учебного отдела Института фармации ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России, Ярославль.

Лаврентьева Лариса Ивановна, д. фарм. н., профессор, директор Института фармации ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России, Ярославль.

Лебедев Георгий Станиславович, д. техн. н., профессор, зав. кафедрой информационных и интернет-технологий ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Маршалова Марина Максимовна, старший преподаватель кафедры промышленной фармации Института профессионального образования ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Мигалев Даниил Антонович, лаборант-исследователь центра фармацевтических технологий Института трансляционной медицины и биотехнологии ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский университет), Москва.

Романов Филипп Александрович, генеральный директор ассоциации «ЛЕКМЕДОБРАЩЕНИЕ», действительный государственный советник РФ, член рабочей группы Комиссии по фармацевтической и медицинской промышленности Российского союза промышленников и предпринимателей, Москва.

Смирнова Анна Владимировна, к. фарм. н., доцент, проректор по образовательной деятельности и цифровой трансформации ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России, Ярославль.

Сухомлин Игорь Григорьевич, руководитель проектов, техническая дирекция, группа компаний «Р-Фарм», Москва.

Шаталов Денис Олегович, д. фарм. н., доцент кафедры биотехнологии и промышленной фармации Института тонких химических технологий им. М.В. Ломоносова ФГБОУ ВО «МИРЭА Российский технологический университет», Москва.

Яворский Александр Николаевич, д. мед. н., профессор, советник генерального директора ассоциации «ЛЕКМЕДОБРАЩЕНИЕ», Москва.

Введение

За последние годы развитие информационно-коммуникационных технологий сильно ускорилось. Цифровая трансформация рассматривается как основа технологической модернизации во всех отраслях реального сектора экономики, в т.ч. и в фармацевтическом секторе, где цифровизация дает беспрецедентный доступ к информации. Сегодня мы находимся на пороге четвертой промышленной революции, и фармацевтическая отрасль переживает трансформацию, не похожую ни на одну из предшествующих.

Одним из важных элементов цифровой трансформации является внедрение цифровых технологий и инноваций в производственные системы и бизнес-процессы, способствующее оптимизации операционной деятельности, сокращению себестоимости, изменению устоявшихся моделей и форматов взаимодействия между участниками цепочек создания добавленной стоимости.

Первая промышленная революция (конец XVIII — первая половина XIX века) произошла в результате перехода от ручных методов производства к машинам за счет использования паровой и водяной энергии. Вторая промышленная революция, известная как технологическая, осуществилась приблизительно между 1840 и 1914 годами и привела к использованию конвейерного производства, созданию новых материалов, внедрению химической промышленности. Растущая электрификация позволила заводам развивать современные производственные линии. Третья промышленная революция, также известная как «Цифровая революция», произошла в конце XX века, после окончания двух мировых войн. Для этого периода характерно широкое использование компьютерных и коммуникационных технологий в производственном процессе.

Термин «Индустрия 4.0» (появился в 2011 году в Германии и относился к технологиям «умных» заводов будущего), который стал синонимом четвертой промышленной революции, ввел в массовое употребление в 2015 году Klaus Schwab — основатель Всемирного экономического форума в Давосе. Четвертая промышленная революция (Индустрия 4.0) предполагает новый подход к производству, основанный на массовом внедрении информационных технологий в промышленность, масштабной автоматизации бизнес-процессов и распространении искусственного интеллекта. В эпоху стремительного развития технологий и повсеместной цифровизации все отрасли мировой экономики переживают значительные преобразования. Фармацевтическая отрасль не является исключением и активно внедряет инновационные решения, соответствующие концепции «Индустрия 4.0». С распространением этих передовых технологий появилась возможность коренным образом изменить разработку, производство и реализацию лекарственных средств и методов лечения.

Как и все предыдущие промышленные революции, Индустрия 4.0 меняет не только производство, но и всю жизнь: экономику и отношения между людьми. Искусственный интеллект и робототехника, интернет вещей и 3D-печать, виртуальная и дополненная реальность, био- и нейротехнологии — эти новейшие методы становятся частью повседневного существования.

Преимущества четвертой промышленной революции в фармацевтической отрасли очевидны: повышение производительности труда; повышение безопасности работников за счет автоматизации процессов; достижение большей безопасности для пациентов за счет сведения к минимуму ошибок из-за влияния человеческого фактора; повышение конкурентоспособности; разработка принципиально новых продуктов. Безусловно, с помощью Индустрии 4.0 возможно не только повысить эффективность и результативность работы, но и положительно повлиять на жизнь пациентов во всем мире.

Актуальность темы цифровой и технологической трансформации фармацевтической отрасли в России обусловлена рядом факторов.

Во-первых, глобальные вызовы, такие как пандемия COVID-19, продемонстрировали необходимость быстрых и эффективных ответов на эпидемиологические угрозы. Цифровые технологии позволили ускорить разработку вакцин, улучшить систему мониторинга и реагирования на распространение инфекции.

Во-вторых, существующая геополитическая ситуация и необходимость выработки приоритетов, направленных на укрепление технологического суверенитета и национальной безопасности, требует обеспечения цифровой трансформации и повышения конкурентоспособности отечественных фармацевтических компаний. Внедрение передовых решений способствует оптимизации производственных и управленческих процессов, возможности встроиться в глобальную систему снабжения оборудованием, сырьем и материалами, своевременно оценивать технологическую готовность и интегрировать производственные процессы.

В-третьих, государственная политика России направлена на развитие цифровой экономики и инновационных технологий. Правительство признает стратегическое значение цифровизации для обеспечения национальной безопасности, улучшения качества жизни граждан и развития высокотехнологичных отраслей промышленности.

Следствием этого стало принятие ряда программных документов. Нормативно-правовое регулирование цифровой трансформации фармацевтической отрасли в России осуществляется через ряд законодательных актов и государственных программ.

Так, в Стратегии национальной безопасности Российской Федерации (РФ), утвержденной Указом Президента РФ от 2 июля 2021 г. № 400, для достижения целей обеспечения экономической безопасности РФ поставлена задача повышения производительности труда путем модернизации промышленных предприятий и инфраструктуры, цифровизации, использования технологий искусственного интеллекта, создания высокотехнологичных рабочих мест. В Стратегии развития информационного общества в РФ на 2017 — 2030 годы, утвержденной Указом Президента РФ от 9 мая 2017 г. № 203, отмечено, что главным способом обеспечения эффективности цифровой экономики становится внедрение технологии обработки данных, что позволит уменьшить затраты при производстве товаров и оказании услуг. Важным направлением цифровой трансформации является активное применение технологий искусственного интеллекта в экономической деятельности и повседневной жизни хозяйствующих субъектов, государственных организаций и жителей России. Все указанные направления относятся в полной мере к фармацевтической отрасли.

В 2024 г. закончилась национальная программа «Цифровая экономика Российской Федерации», утвержденная распоряжением Правительства РФ от 28 июля 2017 г. № 1632-р, на смену которой подготовлен новый национальный проект «Экономика данных и цифровая трансформация государства». Данный проект представляет собой комплексную стратегическую инициативу государства, которая направлена на модернизацию экономической системы страны через внедрение передовых цифровых решений и технологий, в том числе технологий искусственного интеллекта.

Необходимо отметить, что в Указе Президента РФ от 6 июня 2019 г. № 254 «О Стратегии развития здравоохранения в Российской Федерации на период до 2025 года» среди основных направлений решения проблем в сфере здравоохранения предусмотрено внедрение современных цифровых технологий. В Паспорте национального проекта «Здравоохранение» имеется Федеральный проект «Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы здравоохранения (ЕГИСЗ)» (протокол президиума Совета при Президенте РФ по стратегическому развитию и национальным проектам от 24.12.2018 № 16). Несколько шире представлена концепция в Стратегическом направлении в области цифровой трансформации здравоохранения (утверждено распоряжением Правительства Российской Федерации от 29.12.2021 № 3980-р). Указанное направление содержит создание централизованных цифровых платформ, в числе которых использование искусственного интеллекта.

Кроме того, разработана государственная программа «Развитие здравоохранения», утвержденная Постановлением Правительства РФ от 26.12.2017 № 1640, которой предусмотрено принятие подпрограммы «Информационные технологии и управление развитием отрасли». Распоряжением Правительства РФ от 17.04.2024 № 959-р утверждено Стратегическое направление в области цифровой трансформации здравоохранения.

Ключевым условием значимого расширения рынков инновационной продукции является усиление конкуренции в технологически развитых секторах экономики. В этой связи распоряжением Правительства РФ от 20.05.2023 № 1315-р «Об утверждении Концепции технологического развития на период до 2030 года» (вместе с «Концепцией технологического развития на период до 2030 года») принят комплекс мер, направленных на развитие сквозных технологий. РФ находится в первой десятке стран по патентной и публикационной активности в области технологий генерации и передачи энергии, квантовых технологий и новых материалов и в середине второго десятка в области цифровых технологий — искусственного интеллекта, новых производственных технологий, перспективных мобильных сетей связи, интернета вещей, а также медико-биологических и фармацевтических технологий, что требует развития производственных, технологических, кадровых и финансовых возможностей для выпуска высококачественной высокотехнологичной продукции, обеспечивающей удовлетворение базовых потребностей экономики и общества.

Речь идет о реализации крупнейших проектов (мегапроектов) по производству линеек нового сложного оборудования, мобильной техники и лекарственных средств. В качестве первоочередных мегапроектов следует выделить производство в т.ч. робототехники и оборудования для производства малотоннажной химии и фармацевтических субстанций. Для эффективного их функционирования нужна качественно новая институциональная среда: цифровые платформы и информационные сервисы для обеспечения сетевого взаимодействия субъектов технологического развития; создание цифровых платформ (маркетплейсов) для взаимодействия крупных заказчиков и разработчиков высокотехнологичной продукции.

Вместе с тем следует учитывать следующие ключевые угрозы для технологического развития РФ в период с 2023 по 2030 год, среди которых можно выделить: резкое ускорение процесса создания и распространения качественно новых технологий, в том числе цифровых, радикально меняющих рынки и производственные системы; формирование новых стандартов уровня и качества жизни, в т.ч. в сфере здравоохранения, образования, жилья и безопасности.

Основой для формирования более эффективной, инновационной и конкурентоспособной фармацевтической отрасли в России является распоряжение Правительства РФ от 07.06.2023 № 1495-р «Об утверждении Стратегии развития фармацевтической промышленности Российской Федерации на период до 2030 года». Данный документ предусматривает применение современных цифровых технологий при разработке, исследовании, производстве и реализации лекарственных препаратов, а также при осуществлении контроля (надзора) за обращением лекарственных средств на всех этапах жизненного цикла лекарственных средств.

Ряд важных документов, предусматривающих использование современных цифровых технологий в сфере обращения лекарственных средств, регламентирован решениями Евразийской экономической комиссии, что обусловлено интеграционными процессами, развивающимися в рамках Евразийского экономического союза. Более подробно эти документы будут рассмотрены в соответствующих разделах.

Цель данной монографии — предоставить актуальные данные о возможностях и перспективах, которые предлагает Индустрия 4.0 фармацевтической отрасли: от применения аналитики данных для разработки лекарственных средств до развертывания интеллектуальных производственных систем для повышения эффективности и качества производства. Рассматриваются также проблемы и возможности, связанные с этой трансформацией, включая необходимость соблюдения установленных требований, обеспечения безопасности данных и потенциальное влияние на занятость.

Глава 1. ОСНОВЫ ИНФОРМАТИКИ И ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ ДЛЯ ФАРМАЦЕВТИЧЕСКОЙ ОТРАСЛИ

Роль компьютеризированных систем и информатики в фармацевтической отрасли

Начало пандемии COVID-19 стимулировало внедрение цифровых инноваций в различные сферы деятельности, включая фармацевтическую отрасль. Цифровая трансформация, на внедрение которой могли уйти годы, произошла в течение нескольких месяцев, что привело к радикальным изменениям в осуществлении операций.

Развитие цифровых инноваций, безусловно, сохраняется и после пандемии. В фармацевтической отрасли будущего экосистема данных, платформ, инструментов и передовых аналитических инструментов помогает ученым из различных регионов быстро находить инновационные методы лечения.

Применение цифровых технологий открывает широкие возможности для развития фармацевтической отрасли, важнейшие из которых приведены ниже:

1. Расширение возможностей исследователей благодаря использованию машинного интеллекта: изменение традиционных научных методов, управляемых человеком, путем внедрения машинного интеллекта в исследовательские процессы для более быстрого анализа молекулярных структур и идентификации перспективных соединений.

2. Создание совместимых исследовательских экосистем: переход от современного изолированного научного ландшафта, ручных методов сбора данных и фрагментированных баз данных к созданию взаимосвязанной исследовательской экосистемы для генерации, обмена и анализа данных.

3. Разрушение исследовательских барьеров: отход от информационных разрозненностей, созданных из-за различных организационных приоритетов и географических барьеров, для создания культуры сотрудничества, в которой входные и выходные данные исследований беспрепятственно распределяются между командами и партнерами по исследованиям. При этом каждый аспект исследования — от разработки протокола, клинического наблюдения до разработки досье — легко выполняется в цифровом виде. Такой подход ускоряет процесс создания продукта от проектирования исследования до его завершения, что позволяет привлекать участников исследования, сокращать затраты на разработку.

4. Развитие отношений с пациентами: переход от краткосрочных отношений с пациентами, ориентированными на завершение исследования, к лечению пациентов в качестве долгосрочных партнеров, чтобы лучше понять их болезнь, собрать все данные о безопасности и эффективности и улучшить результаты лечения.

5. Децентрализация среды исследований: замена клинического центра на виртуальную организацию (личный кабинет врача или альтернативные сайты) для облегчения участия в исследовании.

6. Внедрение цифровой гибкости в результаты исследования: переосмысление природы результатов исследования (например, протоколов, досье) от статических документов, которые необходимо переписать для каждого исследования, до цифровых элементов, которые могут быть собраны и проанализированы с учетом исследовательских интересов.

7. Оцифровка процессов исследования: отход от неэффективных процессов путем создания сквозных цифровых рабочих процессов на протяжении всего жизненного цикла исследований с использованием цифровых инструментов, автоматизации и машинного интеллекта. Концепция Smart Factory легко соединяет разрозненные производственные системы и процессы для улучшения видимости операций цеха, поскольку машинный интеллект контролирует процессы и предоставляет полезную информацию для персонала, чтобы уменьшить ошибки, отклонения и производственные потери.

Такая организация производства позволяет оптимизировать процессы от закупки сырья до контроля качества, чтобы повысить производительность и время работы активов, снизить затраты на ручной надзор и повысить эффективность производственных процессов.

1. Создание цифровых связей: переход от разрозненных производственных систем и процессов к созданию связанной производственной экосистемы для свободного потока информации, данных и практических идей.

2. Формирование инновационного мышления: принятие цифровых технологий с целью расширения человеческих возможностей и изменения выполнения процессов.

3. Стимулирование инноваций: формирование позитивного отношения к инновациям в производственных организациях путем развития успешных пилотных проектов цифровых инноваций, что позволит убедить руководителей в ценности инноваций.

4. Масштабирование цифровых инноваций: адаптивные и гибкие сети фармацевтических цепочек поставок могут обеспечить прослеживаемость потоков материалов и фармацевтических продуктов в режиме реального времени, что позволяет прогнозировать проблемы и сбои и снижать риски. Такое прогностическое управление цепочками поставок может оптимизировать процессы — от прогнозирования спроса до отслеживания фармацевтических продуктов. Это сокращает время выполнения заказов, затраты на надзор, а также оптимизирует цепочки поставок.

5. Проактивность: обеспечение свободного потока информации, данных и идей в рамках цепочки поставок для перехода от линейного и реактивного управления ими к созданию проактивных и адаптируемых сетей цепочки поставок.

6. Повышение удобства использования данных: переход к среде, в которой цифровые инструменты и решения обеспечивают точность и релевантность данных для генерации новой информации и принятия решений.

7. Внедрение машинного интеллекта: снижение человеческих усилий в управлении поставками для принятия оптимальных решений и снижения рисков.

8. Создание цифровых связей с другими функциями: рекомендации по взаимодействию на основе искусственного интеллекта, платформы подключенных пациентов и поставщиков медицинских услуг предоставляют своевременный доступ к соответствующему контенту и лечению.

9. Индивидуальное взаимодействие: переход от моделей взаимодействия, которые обеспечивают пациентов и партнеров разрозненной информацией, к предоставлению персонализированной информации, основанной на индивидуальных потребностях.

Обеспечение потенциальным потребителям своевременного доступа к информации в момент ее возникновения:

1. Проактивное исследование динамики рынка: переход от ретроспективного понимания динамики рынка (конкуренция, маркетинговое воздействие для привлечения пациентов) к прогностическому подходу.

2. Технология блокчейн: обеспечивает лучшую прослеживаемость ЛС от его разработки до конечного потребителя и может быть использована для безопасной передачи медицинских записей пациентов.

Таким образом, цифровизация имеет большое значение для развития фармацевтического сектора. Применение компьютеризированных систем и информационных технологий является важным условием повышения эффективности, управляемости и качества фармацевтической отрасли в современных условиях и имеет высокий потенциал для развития в этом направлении.

Концепция жизненного цикла фармацевтического продукта и информационная поддержка

Управление жизненным циклом продукта (англ. Product Lifecycle Management; PLM) — это процесс, который помогает компаниям управлять всем жизненным циклом лекарственных средств. Сосредоточив внимание на PLM, фармацевтические компании могут получить возможность более быстрого и эффективного вывода новых лекарственных препаратов (ЛП) на рынок, обеспечить более строгое соответствие нормативно-правовым актам и снизить затраты на разработку.

Внедрение PLM в фармацевтической отрасли требует подхода к трансформации бизнеса, который включает в себя оптимизацию межфункционального взаимодействия и оптимизацию процессов по всей цепочке создания продукта. Это достигается за счет использования базовых технологий, таких как интеграция XML (англ. Extensible Markup Language — расширяемый язык разметки) и корпоративных приложений, а также инструментов разработки и анализа информации. В поддержке процесса PLM используются электронные системы хранения данных, управления документами и контентом и др.

Эффективно внедряя поддержку процессов PLM, фармацевтические компании могут улучшить свои показатели по разработке и производству новых фармацевтических продуктов. Жизненный цикл ЛС можно рассматривать с нескольких точек зрения (см. рис. 1).

Классическая экономическая схема жизненного цикла ЛС включает 4 стадии:

1. Выведение товара на рынок: характеризуется небольшим ростом объемов продаж, при этом прибыль минимальна или ее вообще нет.

2. Рост объема продаж.

3. Зрелость: характеризуется значительными объемами продаж, но дальнейшего роста продаж не наблюдается.

4. Упадок, уход с рынка: сопровождается снижением объемов прибыли от продаж.

Отдельные стадии жизненного цикла могут рассматриваться как единые проекты, управление которыми может осуществляться с применением соответствующей методологии.

Подход к понятию жизненного цикла ЛС был предложен в 2005 году на Международной конференции по гармонизации технических требований к регистрации ЛС для человека (англ. International Conference on Harmonization; ICH), где было создано руководство Q8 Pharmaceutical development («Фармацевтическая разработка»). Руководство содержит понятие жизненного цикла и его основные стадии, которые приведены ниже.

Фармацевтическая разработка (англ. Pharmaceutical Development). Целью данного этапа жизненного цикла является разработка фармацевтического продукта, обладающего терапевтическими свойствами, необходимыми целевой группе пациентов, а также технологии его производства, способной пройти систему государственного контроля.

Трансфер технологий (англ. Technology Transfer). На данном этапе выполняется перенос информации и технологических процедур с этапа разработки на этап производства с целью организации производственной базы. Передаваемая информация формирует информационную базу о производственных процессах, способах контроля, подходах к валидации и сопутствующему непрерывному совершенствованию данных процессов.

Коммерческое производство (англ. Commercial Manufacturing). Целями данного этапа является производство и реализация фармацевтических продуктов, поддержка системы обеспечения качества и упрощение процессов непрерывного совершенствования как продукции, так и производственных процессов.

В рамках системы обеспечения качества гарантируется реализация возможностей идентификации и изучения возможностей улучшения этих показателей. Собираемые сведения должны непрерывно пополнять информационную базу о производимых лекарственных средствах.

Вывод фармацевтического продукта из обращения (англ. Product Discontinuation). Независимо от желания производителя ЛС, в определенный момент жизни на рынке возникает необходимость вывода ЛС из обращения. Для эффективного проведения данной процедуры ее порядок должен быть продуман заранее.

Приведенные подходы не исчерпывают существующие подходы к концепции жизненного цикла ЛС. По современным представлениям жизненный цикл ЛС — это сложная система, состоящая из множества взаимосвязанных и взаимозависимых этапов, содержание, последовательность и продолжительность которых определяется комплексом разнообразных факторов:

• научных;
• технологических;
• организационных;
• экономических;
• социальных.

Например, в более полной модели рассматриваются следующие этапы.

Научно-исследовательские и опытно-конструкторские работы — совокупность работ, направленных на получение новых знаний и практическое применение при создании нового вещества или технологии.

Доклиническое (неклиническое) исследование — химическое, физическое, биологическое, микробиологическое, фармакологическое, токсикологическое и другое экспериментальное исследование или серия исследований по изучению исследуемого вещества (лекарственного средства) путем применения научных методов оценок в целях изучения специфического действия и (или) доказательств безопасности для здоровья человека.

Клиническое исследование (испытание) — клиническое изучение, удовлетворяющее хотя бы одному из следующих условий:

• назначение субъекту исследования конкретной терапевтической стратегии (вмешательства) происходит заранее и не является рутинной клинической практикой в государстве-члене, исследовательские центры которого принимают участие в данном клиническом исследовании;
• решение о назначении исследуемого лекарственного препарата принимается совместно с решением о включении субъекта в клиническое изучение;
• субъектом исследования, помимо процедур рутинной клинической практики, выполняются дополнительные процедуры диагностики или мониторинга.

Регистрация ЛП для медицинского применения осуществляется по результатам экспертизы ЛП и этической экспертизы возможности проведения клинического исследования ЛП для медицинского применения.

Производство лекарственных средств — это серийное получение лекарственных средств в соответствии с правилами надлежащей производственной практики. Осуществляется организациями — производителями лекарственных средств на одной, нескольких или всех стадиях технологического процесса.

Наиболее распространенными видами производства во всех странах являются: производство фармацевтической субстанции; производство лекарственных форм из зарегистрированных фармацевтических субстанций; полный цикл, включающий производство фармацевтической субстанции и лекарственной формы одним производителем; выполнение промежуточных стадий, предполагающих, например, фасовку балк-продукта в первичную упаковку и упаковку во вторичную упаковку ЛП, произведенного на другой площадке. Все этапы производства обязательно включают этапы контроля качества.

Хранение, транспортировка, оптовая реализация. Для сохранения свойств ЛП после его получения на фармацевтическом производстве важно соблюдать требования по его хранению и транспортировке. В этом этапе жизненного цикла участвуют как производители ЛС, так и представители оптового звена.

Розничная реализация. Большая часть ЛП реализуется в аптечных организациях. Другой путь реализации ЛП конечным потребителям представляет собой применение ЛП в медицинских организациях. Одним из актуальных вопросов на этом этапе жизненного цикла является контроль за реализацией в соответствии с требованиями, регламентирующими отпуск ЛП.

Для аптечных организаций является важной возможность проследить происхождение реализуемых лекарственных препаратов с целью защиты от фальсификата или от возможного брака.

Применение ЛП — лекарственная терапия и лекарственная профилактика — основной вид лекарственной помощи. Она составляет более 95% всех врачебных назначений. Поэтому рациональное применение ЛП рассматривается государством и обществом как один из важных индикаторов качества оказания медицинской помощи.

Фармаконадзор — это вид деятельности, направленный на выявление, оценку, понимание и предотвращение нежелательных последствий применения ЛП. Ответственность за фармаконадзор зарегистрированных ЛП для медицинского применения несет держатель их регистрационного удостоверения.

Расширением классического подхода PLM является PPLM — управление жизненным циклом продукта и процесса, в котором процесс, с помощью которого производится ЛС, важен, как и сам продукт. Процесс, лежащий в основе производства активного вещества, является ключевым элементом досье на новое ЛС. Таким образом, PPLM стремится участвовать в разработке процесса, в то время как базовый PLM отвечает за управление информацией об ЛП. Одним из вариантов реализации PPLM являются системы управления процессами. Они, как правило, реализуют весь цикл разработки высокотехнологичных производственных технологий от первоначальной концепции, разработки до производства. Данные системы объединяют представителей различных организаций, данные, информацию, знания и бизнес-процессы.

Таким образом, интеграция информационных технологий на каждом этапе жизненного цикла фармацевтического продукта позволяет как повышать эффективность процессов, так и обеспечивать более высокое качество и безопасность ЛП для конечного потребителя.

Новые технологии в фармацевтической отрасли

Современная фармацевтическая отрасль, как и здравоохранение в целом, претерпевает значительные и быстрые изменения вследствие развития многочисленных технологий. Среди важнейших тенденций фармацевтической отрасли — искусственный интеллект (ИИ; англ. Artificial intelligence; AI), аналитика больших данных, системная биотехнология ЛС. Увеличение инвестиций, расширение технологических стартапов, истечение срока действия многочисленных патентов, расширение межорганизационных партнерств и благоприятная нормативная среда — все это поддерживает инновации в фармацевтической отрасли. В результате, поскольку технологические прорывы и инновации продолжают широко внедряться, фармацевтическая отрасль, вероятно, получит в ближайшие годы новые стимулы к еще более быстрому развитию, чтобы удовлетворить растущие потребности здравоохранения.

Далее приведены примеры технологий, которые оказывают наиболее существенное влияние на отрасль.

Искусственный интеллект. ИИ помогает в ускорении процессов поиска молекул, разработки и производства ЛС. Фирмы продолжают изучать применение этих технологий для решения многочисленных проблем в фармацевтическом секторе, таких как автоматизация, оптимизация процессов и разработка эффективных планов после запуска в производство и маркетинга. Применение ИИ делает процесс более быстрым и менее дорогостоящим.

Аналитика больших данных. Фармацевтической отрасли требуются высокопроизводительные системы для анализа огромных объемов данных, создаваемых в процессе открытия и разработки ЛС. Для многих фармацевтических фирм управление данными является критически важным приоритетом. Совершенствование аналитических инструментов также позволяет использовать самые разные данные для прогнозной, диагностической, предписывающей и описательной аналитики. Кроме того, методы аналитики применяются практически ко всем видам медицинских данных, включая записи пациентов, медицинскую визуализацию и другие данные.

Редактирование генома имеет решающее значение для фармацевтической разработки. Например, метод CRISPR-Cas9 обещает революционизировать роль редактирования генов в открытии ЛС и даже терапии. CRISPR-Cas9, возникший как инструмент редактирования генов, представляет собой инновационную технологию для осуществления генетических манипуляций, которая позволяет использовать молекулярный скальпель в исследовательской лаборатории. Метод является масштабируемым, и это означает, что исследователи могут быстро изучать большое количество генов. Использование библиотек CRISPR-Cas9 позволяет осуществлять функциональный скрининг геномов, который может дать важнейшие сведения о физиологии и биохимии клеток разного типа, поможет раскрыть молекулярные механизмы развития заболеваний и выявить потенциальные мишени для лекарственной и генной терапии. Применение этой технологии является поворотным моментом в борьбе за открытие новых лекарственных мишеней.

Методы лечения. Медицинские технологии, такие как клеточная и генная терапия, определяют подход к лечению хронических и трудноизлечимых заболеваний, устраняя необходимость в долгосрочном применении ЛС. Генная терапия — это введение генетического материала в клетки с целью компенсации дефектных генов или производства белка. Генная терапия позволяет корректировать опечатки в геноме, вызывающие заболевания. Клетки модифицируются ex vivo в лаборатории, либо они модифицируются in vivo с использованием векторов для переноса генов в организм. Генная терапия имеет перспективы для лечения широкого спектра генетических расстройств, таких как муковисцидоз и гемофилия, а также других заболеваний, таких как рак, болезни сердца, диабет.

Системная биология и биотехнология является новой парадигмой для понимания взаимосвязей между сетями биологических процессов. Эта стратегия основана на современном техническом подходе, который позволяет оценивать данные в гораздо большем масштабе. Системная биология изменила способ проведения биологических и биотехнологических исследований. Системные биологические методы могут применяться для построения биопроцессов с целью производства ЛП, тонкодисперсных химических веществ, топлива, полимеров и других материалов.

Биопечать. Использует процедуры, сопоставимые с 3D-печатью, может производить человеческие органы и ткани. Этот метод объединяет клетки, факторы роста и другие биоматериалы для формирования сетчатой структуры. В клинических исследованиях эти органы могут быть использованы для замены живых участников. Наиболее показательным элементом этой технологии является то, что она создает ткани и бактерии, которые реагируют на новые методы лечения так же, как это делает человеческое тело.

Блокчейн. Может модернизировать фармацевтическую отрасль, поскольку он вводит три важных элемента: конфиденциальность, прозрачность и прослеживаемость. Существует несколько потенциальных направлений применения блокчейн-технологии в фармацевтической отрасли: она может облегчить доступ к медицинским записям для практикующих врачей, пациентов и т.д., рационализировать цепочку поставок; обеспечить отчетность о данных клинических исследований; аккумулировать учетные данные поставщиков; оптимизировать стратегии ценообразования на ЛС и т.д. Цифровизация транзакций делает блокчейн перспективным решением для отслеживания и обеспечения безопасности экосистемы фармацевтических транзакций.

Цифровая поддержка терапии обеспечивает лечение пациентов, основанное на высококачественном программном обеспечении, таким образом уменьшает или исключает употребление ЛП. В данном случае используются различные цифровые инструменты, помогающие управлять, отслеживать и предотвращать заболевания у пациентов из группы риска. К ним относятся мобильные устройства и технологии, приложения, датчики, настольные компьютеры и различные устройства интернета вещей. Это одна из последних тенденций в технологиях здравоохранения, где фармацевтические компании могут участвовать, обеспечивая поставки необходимых ЛС для профилактики заболеваний. То есть современные цифровые технологии эффективно поддерживают использование обычных ЛП.

Облачные технологии являются устойчивым трендом в фармацевтической сфере. Они предоставляют возможность хранить и анализировать большое количество данных в условиях повышенной информационной безопасности.

Цифровые образовательные платформы. Обучение на базе цифровых образовательных платформ обеспечивает работников актуальной информацией в необходимых областях знаний.

Прецизионная медицина — это новый шаг в здравоохранении. Она предлагает инновационный подход к диагностике, лечению и профилактике заболеваний путем изучения генов и образа жизни пациентов. Рост этого направления во многом обусловлен популярностью биоинформатики, которая позволяет анализировать данные и делать назначения и процедуры максимально персонализированными.

Расширенная аналитика является одной из основных тенденций в области фармацевтических информационных технологий, которая может изменить подход к производству ЛС. Для ее реализации компании используют искусственный интеллект, машинное обучение, большие данные и облачные технологии.

Обработка и анализ больших наборов данных может помочь сделать более точные выводы об эффективности ЛС и побочных эффектах.

Таким образом, приведенные новые технологии трансформируют фармацевтическую отрасль, открывая новые горизонты для исследований, разработки и производства лекарственных средств. Эти инновации не только повышают эффективность процессов, но и способствуют улучшению качества медицинских услуг, обеспечивая более персонализированный подход к лечению пациентов.

Можно утверждать, что цифровизация фармацевтики — это не просто тренд, а необходимый шаг к созданию более безопасной, доступной и эффективной системы здравоохранения.

Важно продолжать исследовать и внедрять новые технологии, чтобы обеспечить устойчивое развитие отрасли и справиться с вызовами будущего.

Управление контролируемыми словарями терминов при описании фармацевтических продуктов

С целью предотвращения ущерба жизни и здоровью, вызванных неправильным лечением, Международной организацией по стандартизации (ISO) была разработана серия ключевых стандартов идентификации ЛС (англ. Identification of Medicinal Products; IDMP), которые внедряются в рамках поэтапной программы.

Стандарты ISO IDMP определяют использование стандартизированных определений для идентификации и описания ЛС для медицинского применения. Их цель — способствовать надежному и последовательному обмену информацией об ЛП между регулирующими органами, международными источниками данных и фармацевтическими компаниями, помогая в разработке, регистрации и управлении жизненным циклом лекарственных средств.

Принятые стандарты предписывают использовать при формировании первого модуля электронного досье (eCTD) элементы, включенные в контролируемые словари. Для этого применяется система SPOR (англ. Substances, Products, Organizations, Referentials), которая дает возможность производителям лекарственных средств управлять данными как при подаче сведений в составе электронного регистрационного досье, так и, например, при фармаконадзоре.

Система осуществляет контроль качества данных, что позволяет гарантировать, что после внесения в один из контролируемых словарей информация не будет искажена или дублирована.

ISO IDMP охватывает весь жизненный цикл ЛС, включая продукты в разработке, исследуемые, оцениваемые и разрешенные к использованию.

Внедрение стандартов ISO IDMP дает заметное преимущество в нормативно-правовом контексте, поскольку призвано упростить обмен информацией между заинтересованными сторонами и повысить функциональную совместимость систем на международном уровне в самых различных областях, таких как:

• фармаконадзор: отчеты о неблагоприятных событиях будут основываться на согласованном наборе определений продуктов, что повышает качество данных, используемых для управления сигналами, и ускоряет связь, принятие решений и регламентационные действия;
• в нормативных документах будет использоваться согласованный стандарт для сбора данных и управления ими, позволяющий обмениваться информацией о ЛС и повторно использовать ее в рамках различных процедур и между различными регулирующими органами (с учетом ограничений конфиденциальности);
• клинические исследования: заинтересованные стороны получат доступ к результатам клинических исследований с использованием принятых стандартов, что облегчит научную оценку ЛС, а также оптимизирует коммуникацию сторон и прозрачность производства;
• надлежащая производственная практика: проверки производственных площадок будут основаны на доступной информации, что упрощает проверки, особенно в срочных ситуациях, связанных с дефектами.

Внедрение стандартов ISO IDMP обеспечит прозрачность, возможность передачи данных о ЛС по всему миру, общение и укрепление доверия с общественностью и другими заинтересованными сторонами по вопросам качества и безопасности ЛС.

Стандартизированное описание поможет постепенному устранению дефицита лекарственных препаратов в разных регионах за счет улучшения идентификации фармацевтически эквивалентных лекарственных препаратов.

Фармацевтические компании обязаны представлять данные в Европейское агентство по ЛС (EMA) в соответствии со стандартами ISO IDMP после поэтапной реализации программы SPOR.

Представление и ведение данных о разрешенных ЛС для медицинского применения является обязательным с июля 2012 года и основано на формате, называемом Extended EudraVigilance Product Report Message (xEVPRM), который заменяется форматом, совместимым с ISO IDMP.

В состав серии IDMP вошли пять стандартов, перечень которых включает в себя следующие документы:

• ISO 11238:2014 «Информационные технологии в здравоохранении — Идентификация лекарственных средств — Элементы и структуры данных для уникальной идентификации и обмена регулируемой информацией о лекарственных веществах»;
• ISO 11239:2012 «Информационные технологии в здравоохранении — Идентификация лекарственных средств — Элементы и структуры данных для уникальной идентификации и обмена регулируемой информацией о фармацевтических дозированных лекарственных формах, единицах представления, методах управления и упаковки»;
• ISO 11240:2012 «Информационные технологии в здравоохранении — Идентификация лекарственных средств — Элементы и структуры данных для уникальной идентификации и обмена единицами измерения»;
• ISO 11615:2012 «Информационные технологии в здравоохранении — Идентификация лекарственных средств — Элементы и структуры данных для уникальной идентификации и обмена регулируемой информацией о медицинских препаратах»;
• ISO 11616:2012 «Информационные технологии в здравоохранении — Идентификация лекарственных средств — Элементы и структуры данных для уникальной идентификации и обмена регулируемой информацией о фармацевтических препаратах».

В России на основе аутентичного перевода были подготовлены соответствующие национальные стандарты:

• ГОСТ Р ИСО 11238-2014 «Информатизация здоровья. Идентификация лекарственных средств. Элементы данных и структуры для уникальной идентификации и обмена информацией о регистрируемых фармацевтических субстанциях». В Стандарте представлена информационная модель, предназначенная для идентификации и описания субстанций, входящих в состав лекарственных средств или используемых для медицинских целей, включая биоактивные добавки, пищу и косметику. В нем используются другие релевантные стандарты и внешние терминологические ресурсы;
• ГОСТ Р ИСО 11239-2014 «Информатизация здоровья. Идентификация лекарственных средств. Элементы данных и структуры для уникальной идентификации и обмена информацией о регистрируемых формах дозировки, единицах представления, путях введения и упаковке». В Стандарте описаны определения и понятия, а также элементы данных и их структурные отношения, необходимые для уникальной идентификации и детального описания лекарственных средств. Стандарты, перечисленные во введении, в своей совокупности представляют собой информационную модель, предназначенную для описания характеристик и уникальной идентификации регистрируемых лекарственных средств для применения человеком в течение всего их жизненного цикла, то есть по мере необходимости от разработки до регистрации, проведения пострегистрационных исследований, обновления или снятия с рынка. Кроме того, для обеспечения возможности успешного обмена информацией, связанной с уникальной идентификацией и характеристиками лекарственных средств, в настоящем Стандарте описан контекст применения других стандартов обмена данными группы IDMP;
• ГОСТ Р ИСО 11240-2014 «Информатизация здоровья. Идентификация лекарственных средств. Элементы данных и структуры для уникальной идентификации и обмена информацией об единицах измерений». В настоящем Стандарте описаны правила использования и кодированного представления единиц измерения в целях обмена информацией о количественных характеристиках лекарственных средств, выражаемых в определенных единицах (например, активность) и применяемых в медицине; требования к представлению единиц, обеспечивающему возможность их привязки к международным метрологическим стандартам; правила стандартизованного и машинно-обрабатываемого документирования количественного состава и активности лекарственных средств, требуемого для их идентификации; требования к представлению единиц измерения в кодируемой форме; структуры и правила отображений различных словарей единиц и их переводов на другие языки, обеспечивающих применение настоящего Стандарта с учетом наличия существующих систем, словарей и хранилищ данных, использующих различные термины и коды для представления единиц;
• ГОСТ Р ИСО 11615-2014 «Информатизация здоровья. Идентификация лекарственных средств. Элементы данных и структуры для уникальной идентификации и обмена информацией о регистрируемых лекарственных средствах». В настоящем Стандарте описаны определения и понятия, а также элементы данных и их структурные отношения, необходимые для уникальной идентификации и детального описания лекарственных средств. Стандарты, перечисленные во введении, в своей совокупности представляют собой информационную модель, предназначенную для описания характеристик и уникальной идентификации регистрируемых лекарственных средств для применения человеком в течение всего их жизненного цикла, то есть по мере необходимости от разработки до регистрации, проведения пострегистрационных исследований, обновления или снятия с рынка. Кроме того, для обеспечения возможности успешного обмена информацией, связанной с уникальной идентификацией и характеристиками лекарственных средств, в настоящем Стандарте описан контекст применения других стандартов обмена данными группы IDMP;
• ГОСТ Р 59847-2021 «Информатизация здоровья. Идентификация лекарственных средств для медицинского применения. Элементы и структуры данных для уникальной идентификации и обмена фармацевтической информацией о регистрируемых лекарственных препаратах». Стандарт предназначен для описания определенных уровней информации, используемой для идентификации лекарственного средства или группы лекарственных средств. Стандарт содержит описание элементов и структур данных, а также взаимосвязей между ними, необходимых для уникальной идентификации регистрируемых лекарственных препаратов при обмене информацией. Также данную идентификацию следует использовать повсеместно на протяжении жизненного цикла продукта для фармаконадзора и другой регуляторной деятельности. Кроме того, настоящий Стандарт применяется для обеспечения формирования структурированных данных о лекарственных препаратах для обмена информацией между различными участниками обращения лекарственных средств. Его применение обеспечивает интероперабельность и функциональную совместимость информационных систем как отправителя, так и получателя. Для облегчения идентификации подходящих терминов в стандартах описаны также условия отображения существующих региональных терминологий на гармонизированные терминологии. Определяются понятия, необходимые для установления связи между идентификаторами PhPID — Идентификатор фармацевтических препаратов (Pharmaceutical Product Identifier), MPID — Идентификатор лекарственного средства (Medicinal Product Identifier) и PCID — Идентификатор упаковки лекарственного средства (Medicinal Product Package Identifier) с релевантными регистрационными номерами, присвоенными уполномоченной организацией. Эти идентификаторы предназначены для целей учета и для повышения безопасности пациента, поскольку с их помощью можно однозначно идентифицировать ЛС во всем мире.

Подход FDA к стандартам IDMP. Управление по контролю качества пищевых продуктов и лекарственных средств США (англ. Food and Drug Administration; FDA) использует стандарты и терминологию, подобные концепциям, представленным в стандартах IDMP. Ряд стандартов, используемых в настоящее время в нормативных документах на протяжении всего жизненного цикла разработки, совместимы с концепциями данных IDMP. Например, Национальный код ЛС, уникальный идентификатор ингредиента и Единый код единиц измерения соответствуют ISO 11615, ISO 11238 и ISO 11240 соответственно. FDA продолжает сотрудничество с ISO, а также другими регулирующими органами и Глобальной рабочей группой IDMP.

Структуры данных Европейского агентства по ЛС. Европейское агентство по ЛС (EMA) отвечает за научную оценку, надзор и мониторинг безопасности ЛС в Европейском союзе.

В рамках этой роли EMA публикует информацию о безопасности, эффективности и качестве лекарственных средств, разрешенных для использования в ЕС.

Веб-сайт EMA предоставляет информацию о лекарственных средствах:

1. Общая характеристика лекарственного препарата (SmPC): подробная информация об использовании, дозировке и применении ЛС, а также о его фармакологических и других свойствах.

2. Информационный листок для пациентов (PIL): предоставляется вместе с каждой упаковкой ЛС и содержит информацию о том, как безопасно и эффективно использовать ЛС, включая любые возможные побочные эффекты.

3. Европейские публичные экспертные отчеты: обзор оценки ЛС научными комитетами EMA, включая результаты клинических исследований, а также риски и преимущества ЛС.

4. Публично высказанное положительное мнение: обзор оценки ЛС научными комитетами EMA и рекомендации по разрешению на продажу в ЕС.

В дополнение к вышеуказанному веб-сайт EMA предоставляет информацию о текущем мониторинге безопасности ЛС, а также подробную информацию о любых нормативных мерах, принятых в отношении конкретных ЛС.

Электронная информация о продукте (ePI) относится к электронной версии информации, предоставленной EMA о разрешенных для человека ЛС в Европейском союзе. Включает в себя общую характеристику лекарственного препарата (SmPC), информационный листок пациента (PIL) и Европейские отчеты об общественной оценке. Версия доступна на веб-сайте EMA для общественности и медицинских работников. Она предназначена для предоставления актуальной и всеобъемлющей информации об использовании, безопасности и эффективности ЛС для человека в ЕС. Веб-сайт EMA также предоставляет другие полезные ресурсы и инструменты, такие как Европейская система проверки ЛС (EMVS), которая предназначена для предотвращения попадания фальсифицированных ЛС в легальную цепочку поставок в ЕС.

Существует ряд программных продуктов, которые поддерживают использование стандартов структуры данных для управления электронной информацией о продуктах (ePI) в фармацевтической отрасли. Эти продукты могут использоваться фармацевтическими компаниями, регулирующими органами и другими организациями, участвующими в разработке, авторизации и постоянном мониторинге ЛС (см. табл. 1).

Таблица 1. Примеры программных продуктов, поддерживающих использование стандартов структуры данных

Название	Характеристика	Название
Areas Global Life Sphere eCTD Manager, Extedo's Regulatory Information Management (RIM) Suit, Veeva Vault RIM	Система управления нормативно информацией, которая поддерживает представление и обзор электронных общих технических документов (eCTD) в фармацевтической отрасли	Поддержка представления eCTD в регулирующие органы в соответствии со спецификацией eCTD Международного совета по гармонизации технических требований к ЛП для использования человеком (ICH)
Электронная рабочая тетрадь IDBS	Платформа управления исследовательскими данными, которая поддерживает управление данными из различных источников, включая электронные лабораторные журналы (ELN), научные приборы и базы данных	Помощь организациям в соответствии установленным требованиям к целостности и безопасности данных и поддержка использования стандартов структуры данных, таких как IDMP (идентификация ЛС) и SPL (маркировка структурированных продуктов)
MAH-ID от Arvato	Облачное решение для управления основными данными для фармацевтической отрасли	Поддержка управления данными о продуктах в соответствии со стандартами IDMP (идентификация ЛС), помощь в выполнении установленных требований для представления ePI в регулирующие органы

Интеграция наборов данных цифровых приложений (DADI). Проект Electronic Application Form (eAF) (ранее Digital Application Dataset Integration (DADI)) заменяет электронные формы заявок в формате PDF, используемые для подачи необходимых документов, онлайн-формами, что сделает будущий процесс заполнения и обработки форм более эффективным. Форма внесения изменений в досье на ЛС для человека станет первой формой, которая будет выпущена DADI. В рамках запуска DADI предоставит данные об ЛС, которые были перенесены в Службу управления продуктами (англ. Product Management Service; PMS), для получения основных данных об ЛС для медицинского применения.

Интеграция набора данных в цифровых приложениях относится к процессу объединения цифровых данных из различных источников и форматов с целью облегчения подачи заявок на ЛС.

Процесс может включать интеграцию данных из целого ряда источников, таких как электронные лабораторные журналы (ELN), научные приборы и базы данных, а также использование стандартов данных и требований к форматированию для обеспечения того, чтобы данные были представлены в согласованной и пригодной для использования форме.

Электронные формы заявок обычно доступны и заполняются через специальный онлайн-портал или веб-сайт и могут использоваться для представления ряда данных и информации, в том числе:

• данные клинических исследований;
• производство и информация о качестве;
• данные о безопасности и эффективности;
• информация о маркировке и упаковке.

Электронные формы заявок являются важной частью процесса регулирования ЛС, поскольку они позволяют регулирующим органам рассматривать и оценивать информацию и данные, подтверждающие одобрение этих продуктов. Они также помогают упорядочить процесс подачи заявок и снизить административную нагрузку на фармацевтические компании и другие организации, занимающиеся разработкой и авторизацией ЛС.

Расширенный словарь ЛС (EudraVigilance xEVMPD) представляет собой базу данных информации об ЛС для медицинского и ветеринарного применения, разрешенных для использования в Европейском союзе (ЕС). Он управляется Европейским агентством по лекарственным средствам (EMA) и предназначен для поддержки отчетности и оценки побочных реакций на эти продукты.

xEVMPD содержит ряд информации об ЛС, в том числе:

• названия продуктов;
• активные ингредиенты;
• лекарственные формы;
• обладатели регистрационных удостоверений;
• регистрационные номера.

xEVMPD — это ключевой компонент системы EudraVigilance, которая применяется в ЕС для обнаружения, оценки и мониторинга побочных реакций на лекарственные средства. Он используется для поддержки выявления побочных реакций на конкретные лекарственные средства, чтобы облегчить исследования потенциальных проблем безопасности.

База данных EVMPD доступна для общественности, медицинских работников и предназначена для предоставления актуальной и всеобъемлющей информации об использовании, безопасности и эффективности ЛС для медицинского и ветеринарного применения в ЕС.

Управление основными данными относится к процессу поддержания согласованного, точного и актуального набора данных, который совместно используется различными системами и заинтересованными сторонами в организации. В фармацевтической отрасли управление основными данными используется для обеспечения целостности и качества данных, связанных с ЛС, включая информацию о безопасности, эффективности и качестве этих продуктов.

Управление основными данными обычно включает в себя идентификацию, анализ и управление активами данных, а также внедрение процессов и систем для обеспечения точности, согласованности и полноты данных. Оно может также включать разработку стандартов и политики в отношении данных, регулирующих использование и обслуживание данных.

Глобальные базы данных и источники информации, связанные с лекарственными средствами

Глобальные базы данных и источники информации об ЛС предоставляют различным группам потребителей информацию, необходимую для принятия решений (см. рис. 2).

Крупные российские и международные базы данных и источники информации об ЛС и близкой тематике представлены в табл. 2.

о лекарственном средстве

Область данных	Название базы данных	Краткая характеристика
Информация об ЛС	Государственный реестр лекарственных средств	Официальный документ, который содержит перечень ЛП, прошедших государственную регистрацию в РФ, перечень фармацевтических субстанций, входящих в состав ЛП
	Единый структурированный справочник-каталог лекарственных препаратов для медицинского применения (ЕСКЛП)	Предназначен для использования в процессе закупок ЛП для государственных и муниципальных нужд и позволяет осуществлять их мониторинг и контроль
	DrugBank	Комплексная база данных информации об ЛС. Включает в себя информацию о лекарственных мишенях, лекарственных взаимодействиях и многом другом
	PubChem	База данных химических соединений и их свойств, включая информацию об ЛС
	ClinicalTrials.gov	База данных клинических исследований, проводимых по всему миру
	Список основных ЛС ВОЗ	Список основных ЛС, которые должны быть доступны в системе здравоохранения
	База данных PubMed Национальной медицинской библиотеки	База данных научных статей, в том числе связанных с ЛС
	Информационная база данных FIP (Международной фармацевтической федерации)	База данных информации об ЛС, включая информацию об их наличии и использовании в разных странах
Базы данных литературы по химии	База структурных данных по химии ВИНИТИ РАН	Информация о химических соединениях и реакциях из потока отечественной и зарубежной научной литературы. По состоянию на 2024 г. содержит доступную для обработки информацию о более чем 5,8 млн химических структур, около 1,7 млн химических реакций и 15 млн свойств химических соединений. Ежегодно она пополняется информацией о более чем 30 тыс. соединений и 17 тыс. реакций
	Спектроскопия атмосферных газов (SPECTRA)	Информация о параметрах спектральных линий (ПСЛ) атмосферных газов и малых примесей, необходимая для решения задач оптики атмосферы, для моделирования и визуализации молекулярных спектров поглощения
	SciFinder	Статьи, патенты и технические документы, описывающие химические вещества; включает информацию о структурах, реакциях, соединениях, разработке и производстве ЛС
	ChemIDplus	База данных химической номенклатуры, свойств, токсичности и структур, созданная Национальной медицинской библиотекой, включает глубокие ссылки на другие правительственные базы данных, такие как PubMed
	PubChem	Хранилище химических данных, посвященных биологической активности малых молекул
	DrugBank	Всеобъемлющая, свободно доступная онлайновая база данных, содержащая информацию об ЛС и мишенях для лекарств, созданная и поддерживаемая Университетом Альберты и Инновационным центром метаболомики, расположенным в Альберте (Канада). Будучи как биоинформатическим, так и хеминформатическим ресурсом, DrugBank объединяет подробные данные об ЛС с исчерпывающей информацией о мишени ЛС
	Reaxys	Поиск данных и полнотекстовых статей и патентов на химические вещества и химические соединения, включая свойства, реакции и структуры
Базы данных литературы по биологии	Фундаментальная электронная библиотека «Флора и фауна»	Включены издания на русском языке по биоразнообразию мировой флоры и фауны
	ZOOMET.RU: бесплатная электронная биологическая библиотека	Сайт содержит книги на русском и иностранном языках по основным разделам биологии
	База знаний по биологии человека	Энциклопедическая база знаний интегрирует сведения по биологии человека (от физиологического до молекулярного уровня) с данными, представленными в компьютерных сетях и международных базах данных. Кроме сведений о биологии человека, энциклопедия дает широкий обзор по различным аспектам современной молекулярной и клеточной биологии, генетике, биохимии, медицине. Структура базы знаний имитирует привычную структуру книги, но дополняется аппаратом гипертекстовых ссылок
	Индекс цитирования BIOSIS	База данных наук о жизни и биомедицинских исследований, охватывающая доклинические и экспериментальные исследования, методы и приборы, исследования на животных и многое другое. Это полезно при поиске исследований, связанных с конкретным организмом. Есть возможность поиска по именам организмов
	Web of Science	Освещение крупных журналов по всем научным дисциплинам
	Faculty Opinions	Выявляет и оценивает важные статьи в области биологических и медицинских наук; публикует около 1 500 обзоров отдельных статей каждый месяц
	OMIM	Постоянно обновляемый каталог генов человека, генетических признаков и наследственных нарушений
Базы данных литературы по клиническим наукам о здоровье	Консультант врача	Электронная медицинская библиотека, представляет собой структурированную базу медицинских книг, статей, документов, обзоров, изображений, аудио- и видеоматериалов. Это удобная и надежная система информационной поддержки для принятия клинических решений
	PubMed@USC: PubMed	Предоставляет доступ к миллионам ссылок на биомедицинскую литературу из MEDLINE, журналов по наукам о жизни и онлайн-книг; версия настроена для пользователей USC для поиска полного текста статей
	Международные фармацевтические рефераты (Ovid)	Всемирный охват фармацевтической науки и практической литературы; включает в себя тематики разработки ЛС, фармакоэкономики, токсичности, регулирования и технологий
	Google Scholar	Фильтрованный поиск Google, находящий научные журнальные статьи, книги, цитаты и прецедентное право
	PsycINFO	База данных рефератов и цитирований научной литературы по психологическим, социальным, поведенческим и медицинским наукам; включает журнальные статьи, книги, доклады, диссертации и диссертации с 1806 года по настоящее время
	Embase	Доступ к более чем 29 миллионам ссылок на биомедицинские статьи и материалы конференций; версия настроена для пользователей USC, чтобы найти полный текст статей из библиотечных фондов
Базы данных лекарственных растений	Phyto4Health	Содержит 233 таксономических вида российских лекарственных растений. Эти виды относятся к 71 семейству. Общее количество «растение — часть растения — фитокомпонент» составляет 9 489; содержит данные о взаимодействии с 802 молекулярными мишенями человека. Включает также результаты прогнозирования биологической активности, рассчитанные с использованием уточненного PASS2022
	Натуральные ЛС	Основанные на фактических данных обзоры альтернативных и дополнительных методов лечения
	Фитохимические и этноботанические базы данных	Предоставляют данные о химическом составе и использовании растений во всем мире
	База данных этикеток пищевых добавок (DSLD)	Предлагает информацию об ингредиентах в более чем двух тысячах выбранных брендов пищевых добавок
Дополнительные базы данных	Электронно-библиотечная система «Руконт»	Электронно-библиотечная система, содержит учебники, учебные пособия, монографии, конспекты лекций, периодические издания по всем отраслям знаний. Ежедневно обновляющаяся электронная база данных позволяет пользователям быть в курсе актуальной информации
	Научная электронная библиотека eLIBRARY.RU	Крупнейший российский информационно-аналитический портал в области науки, технологии, медицины и образования, содержащий рефераты и полные тексты более 38 млн научных публикаций и патентов, в т.ч. электронные версии более 5 600 российских научно-технических журналов, из которых более 4 800 журналов в открытом доступе
	Полнотекстовая коллекция журналов Российской академии наук	Доступ к полнотекстовым выпускам коллекции журналов РАН осуществляется на Национальной платформе периодических научных изданий РЦНИ. Информация о журналах добавляется на платформу по мере поступления от издателя. Новые выпуски журналов размещаются на платформе в соответствии с периодичностью выхода каждого журнала
	Национальная электронная библиотека (НЭБ)	Федеральная государственная информационная система, создаваемая Министерством культуры Российской Федерации при участии крупнейших библиотек, музеев, архивов, издателей и других правообладателей
	«Юрайт»	Образовательная платформа и интернет-магазин печатных книг и электронных доступов к курсам и учебникам
	Znanium.com, Электронно-библиотечная система (ЭБС)	Коллекция включает более 40 тыс. электронных версий учебников, учебных пособий, учебно-методических комплексов, монографий, авторефератов диссертаций, энциклопедий, словарей и справочников, законодательно-нормативных документов, периодических изданий
	Электронная библиотечная система «Медицинская библиотека „MEDLIB.RU“»	Образовательный ресурс для студентов, преподавателей медицинских и фармацевтических вузов, врачей, биологов и т.д., содержит издания по биологии, физиологии, гистологии, биохимии, микробиологии, вирусологии, иммунологии, неврологии, психиатрии, стоматологии, внутренним болезням, анестезиологии, реаниматологии, кардиологии, эндокринологии, акушерству и гинекологии, гастроэнтерологии и хирургии
	«Медицинские журналы и статьи» (RusMed)	База медицинских научных статей, созданная на базе Центральной научной медицинской библиотеки Сеченовского университета
	Ведомство по патентам и товарным знакам	Рассматривает и утверждает заявки на патенты и товарные знаки; содержит полный текст патентов с 1790 года по настоящее время и товарные знаки с 1940 года по настоящее время
	Архив документов фармацевтической промышленности (DIDA)	Содержит документы (юридические отчеты, презентационные файлы, электронные письма, записки и т.д.), полученные от фармацевтических предприятий, регулирующих органов, университетов и финансирующих агентств в отношении судебных исков, связанных с ЛС и аптеками. Организовано Калифорнийским университетом в Сан-Франциско
	ClinicalTrials.gov	Включает информацию об исследованиях, финансируемых государством и частным сектором, включая завершенные и текущие исследования, дизайн исследований, результаты
	Банк данных белков (PDB)	Хранилище 3D и 2D структурных данных биомолекул, белков и нуклеиновых кислот
	Google Patents	Поиск заявок патентного ведомства, патентных заявок Европейского союза и японских патентных заявок с использованием поисковых структур Google; поиск данных патентного ведомства с использованием методов поиска Google включает в себя полный текст патентов с возможностью поиска от 1790 года
	Scopus	Большая реферативная и цитируемая база данных рецензируемой литературы в области науки, техники, медицины, социальных наук, искусств и гуманитарных наук. Включает библиометрические инструменты для отслеживания, анализа и визуализации исследований
	NIH RePORTer — Research Portfolio Online Reporting Tools	Ресурс, посвященный предоставлению доступа к отчетам, данным и анализу исследований, финансируемых National institutes of health (NIH)

Эти ресурсы используются учеными, медицинскими и фармацевтическими работниками, регуляторными органами, пациентами и другими заинтересованными лицами для поиска информации о лекарственных средствах и принятия обоснованных решений об их использовании.

Управление ИТ-сервисами в фармацевтической отрасли

Жизненный цикл ITSM

Рис. 3

В отличие от более традиционного технологического подхода, ITSM рекомендует ориентироваться на клиента и его потребности, на услуги, предоставляемые пользователю информационными технологиями, а не на саму технологию.

Важным моментом в изложении принципов управления и организации ИТ-услугами (ITSM) является последовательность. При представлении каждого составного элемента ITSM (управление инцидентами, управление конфигурацией, управление безопасностью и т.д.) должна прослеживаться его взаимосвязь с другими элементами (сервисами, процессами), необходимо предоставить практические рекомендации.

ITIL не является конкретным алгоритмом или руководством к действию, но он описывает лучшие практики и предлагает рекомендации по организации процессного подхода и управлению качеством предоставления услуг. Это позволяет абстрагироваться от особенностей данного конкретного предприятия в данной конкретной отрасли. При этом, несмотря на некоторую абстрактность, ITIL всячески нацелен на практическое использование. Каждый раздел библиотеки предоставляет ключевые факторы успеха для реализации того или иного процесса, в то время как практические рекомендации превалируют над чисто теоретическими соображениями.

Подкатегориями продукции ITSM являются:

1. ITSM — системы управления ИТ-услугами: к ним относятся реализации систем класса ServiceDesk или ITSM Suite (комплексные реализации, например HP Service Manager, BMC Remedy ITSM Suite, Axios Assyst, OmniTracker, Naumen Service Desk и т.д.).

2. ITSM — системы управления ИТ-инфраструктурой: сюда входят все системы управления конфигурацией (SCCM и т.д.), операции (SCOM и т.д.), управление производительностью (HP IT Performance Suite).

3. ITSM — системы управления ИТ-активами: к ним относятся системы управления активами (Asset Management, например HP Asset Manager, Naumen Inventory, LANDesk Asset Lifecycle Manager и т.д.), если они происходят как самостоятельные проекты.

Структура ITIL. Каждая из книг в библиотеке ITIL описывает все, что необходимо для организации управления ИТ, а также прорабатывает вопросы отдельной части структурированного процесса фреймворка. Библиотека ITIL выделяет задачи, области деятельности, координирует все процессы в ИТ-организации. В то же время она не дает конкретного описания способов, которые применяются для осуществления этой деятельности, поскольку они могут различаться в каждой организации. Библиотека ITIL — это не метод, а структура для планирования наиболее часто используемых процессов, ролей и действий, определяющая отношения между ними и требуемые типы связи.

Состав ITIL. Библиотека ITIL была создана, чтобы подчеркнуть отношения с клиентом в процессе предоставления высококачественных услуг. Изначально библиотека ITIL включала в себя несколько комплектов книг, в каждом из которых описывалась конкретная область обслуживания и эксплуатации ИТ-инфраструктуры.

Центральным элементом ITIL являются десять книг, которые описывают поддержку и предоставление услуг. В библиотеку вошло еще около 40 книг по темам, связанным с управлением ИТ-услугами. После переработки центральных книг по ITIL они были опубликованы в виде двух книг: одна — по сервисной поддержке, а другая — по предоставлению услуг. В результате этого пересмотра были устранены повторы и некоторые несоответствия более ранних серий, что улучшило структурное единство публикации, в которой теперь более четко представлена информация об управлении ИТ-услугами.

Основные положения ITIL включают:

1. Качество обслуживания — это ценность, которую можно измерить.

2. Целью ИТ-сервиса является предоставление основному бизнесу комплексного набора информационных услуг.

3. Соглашение об уровне обслуживания — это соглашение об уровне предоставления услуг — документ, согласно которому услуги предоставляются бизнесу.

4. Работа ИТ-службы организована на основе процессного подхода.

К положительным сторонам ITIL можно отнести следующие:

1. Работа ИТ направлена на решение бизнес-задач.

2. Поставщики ИТ-услуг представляют ИТ-службы для бизнес-подразделений.

3. Используются только лучшие знания и практики, которые были проверены.

4. Обеспечение максимально возможного качества ИТ-услуг для пользователей.

5. Функционирование ИТ регулируется соглашением об уровне обслуживания.

6. Установление стандартов и правил для ИТ-персонала.

7. Внедрение подходов менеджмента качества к управлению ИТ-услугами.

8. Умение подтвердить и пояснить стоимость ИТ на основе согласованного уровня обслуживания.

Библиотека ITIL систематически пересматривается и обновляется с использованием нового опыта и знаний. В 2019 году была выпущена новая версия, ITIL 4, в которой используется более целостный и гибкий подход к ITSM. Сегодня большинство крупных компаний по всему миру используют рекомендации и методологии ITIL, повышая качество управления ИТ-инфраструктурой.

Отрицательной стороной ITIL является то, что некоторые темы в библиотеке освещены достаточно широко, а другим не уделяется достаточного внимания.

Среди наиболее востребованных ITSM-процессов на сегодняшний день можно выделить следующие (см. рис. 4):

• процесс управления каталогом услуг;
• процесс управления уровнем обслуживания;
• процесс управления вызовами и инцидентами;
• процесс управления знаниями;
• процесс управления сервисными активами и конфигурацией;

Рис. 4

Каждый из них имеет свои бизнес-преимущества и показывает максимальный эффект при правильной реализации. Тем не менее необходимо начинать переход на систему управления услугами с наиболее актуальных для компании процессов. В частности, для организации с низким уровнем зрелости ITSM процессы управления каталогом услуг и процесс управления инцидентами будут актуальны в первую очередь.

Рекомендации по построению ITSM-процессов доступны в ITIL, а их правильное применение и адаптация для каждой отдельной организации, как правило, реализуется консалтинговыми компаниями.

ITSM может помочь компаниям в сложных экономических условиях. Правильное внедрение ITSM, независимо от размера компании и количества сотрудников в ИТ-отделе, помогает повысить эффективность использования ресурсов и снизить затраты — а это ключевые задачи любой организации, особенно в кризисные времена. В зависимости от уровня зрелости ИТ-практик компании можно выбрать одно или несколько направлений автоматизации.

Главное — сформировать четкое понимание потребностей организации и разработать решение, ориентированное на достижение конкретных результатов.

Оценить эффект от реализации еще до ее начала можно с помощью специальных инструментов. Например, в отрасли разработана собственная система расчета окупаемости инвестиций от внедрения ITSM-решений, которая позволяет получить несколько вариантов прогноза (пессимистичный, наиболее вероятный и оптимистичный) и обосновать бюджет перед руководством. Для получения такого расчета специалисты проводят предпроектное обследование и определяют цели реализации на начальном этапе любого ITSM-проекта.

В зависимости от целей и задач, а также зрелости инфраструктуры и ИТ-практик, внедрение ITSM может происходить различными способами.

Например, для компаний с низким уровнем зрелости ITSM основной целью, как правило, является аудит существующих процессов и построение четких регламентов с использованием методологии ITIL (см. рис. 5).

Этапы внедрения практик ITSM

Рис. 5

Следующим шагом в таких проектах является разработка подробного технического задания. Заказчики могут как использовать этот документ в тендере на выбор поставщика для автоматизации разрабатываемых процессов, так и передать его своим специалистам, если было принято решение реализовать его самостоятельно.

Наиболее распространенными примерами неэффективно выстроенных процессов являются отсутствие регистрации входящих звонков, общение бизнес-пользователей напрямую с кем-либо из ИТ-специалистов, независимо от сложности задачи, приводящее к неоптимальному распределению нагрузки и длительному разрешению проблемных ситуаций. Этим клиентам, как правило, рекомендуется проектировать и автоматизировать процессы управления запросами на обслуживание и инцидентами для повышения скорости выполнения рутинных задач и устранения неполадок, а также для рационализации использования ресурсов ИТ-отдела.

Формат проекта «аудит + регулирование + автоматизация» является наиболее эффективным, однако немалое количество организаций в целях экономии ресурсов пренебрегают первыми двумя этапами и сталкиваются с распространенной ошибкой: они внедряют оптимальное, по их мнению, решение, но не получают ожидаемых результатов из-за отсутствия четко структурированных процессов.

Существует ряд решений, позволяющих автоматизировать ITSM-процессы на предприятии. Однако выбирать систему нужно с учетом наличия на рынке подрядчиков по внедрению и сопровождению (если их планируется привлекать к реализации проекта), а также возможностей и квалификации специалистов внутри компании. Для решения различных категорий задач специалисты используют следующие платформы:

ManageEngine Service Desk лучше всего подходит для малых и средних предприятий и организаций с низким уровнем зрелости ITSM. Данная платформа позволяет реализовать базовые ITSM-процессы в кратчайшие сроки с минимальными затратами на лицензии и их внедрение. Она, как правило, рекомендуется клиентам, не имеющим опыта работы с подобными решениями.

Комплекс Landesk Service Desk может быть использован на любом уровне зрелости ITSM в компаниях любого размера. Этот вид универсального решения успешно используется во всем мире и характеризуется широкими возможностями настройки функционала различной сложности без программирования.

Продукт HP Service Manager предназначен для крупных корпораций и компаний с высоким уровнем зрелости ITSM.

Это один из самых мощных и высоко ценимых клиентами продуктов для корпоративного сектора, который можно легко модифицировать благодаря исключительной гибкости, присущей продукту. Стоимость, а также сроки внедрения ITSM-процессов зависят от ряда факторов. Среди них можно выделить:

• вовлеченность сотрудников как со стороны бизнеса, так и со стороны ИТ;
• опыт организации или отдельных членов проектной команды заказчика в выполнении аналогичных проектов;
• количество внедренных процессов;
• наличие/отсутствие внешних консультантов.

Тем не менее, как показывает практика, средняя цена внедрения (консалтинг + автоматизация) ITSM-системы для компании с более чем 100 бизнес-пользователями, где работает около 10 ИТ-специалистов, составит от 10 000 долларов США плюс лицензии на систему автоматизации, стоимость которой рассчитывается индивидуально; продолжительность проекта составляет примерно 1,5 — 2 месяца. В данном случае речь идет о реализации процессов управления запросами на обслуживание, управления инцидентами и управления уровнем обслуживания. При расширении сферы применения ITSM с помощью дополнительных процессов, таких как управление изменениями или управление знаниями, затраты и время будут увеличиваться, но бизнес-эффект будет больше.

Подход к принятию решений на основе данных и большие данные в фармацевтической отрасли

Принятие решений на основе достоверных данных является важной частью бизнес-стратегии в современном мире. Во время этого процесса можно использовать инструменты отчетности бизнес-аналитики (англ. Business intelligence; BI), которые делают сбор больших данных быстрым и плодотворным.

Эти инструменты упрощают визуализацию данных, делая аналитику данных доступной для тех, у кого нет передовых технических ноу-хау. Концепция управления данными относится к использованию фактов или данных для поиска закономерностей, выводов и идей для информирования процесса принятия решений.

Примеры решений, которые можно принять при использовании анализа данных:

1. Увеличение прибыли и продаж.

2. Оптимизация операций.

3. Повышение производительности команды.

Принятие решений на основе данных происходит в пять этапов (см. рис. 6).

Рис. 6

1. Понимание видения развития организации. Для принятия обоснованного решения нужно понимать цели компании. Это позволит использовать как данные, так и стратегию для формирования решений.

2. Поиск источников данных. Используемые средства и источники данных будут зависеть от вида собираемых данных. Существующее программное обеспечение позволяет собирать данные из различных внешних источников.

3. Организация данных. Организация данных для улучшения их визуализации имеет решающее значение для принятия эффективных бизнес-решений. Одним из способов организации данных является панель мониторинга для руководителей. Исполнительная панель мониторинга — это настраиваемый интерфейс, который обычно поставляется как функция универсального инструмента отчетности. Эта панель мониторинга будет отображать данные, которые наиболее важны для достижения целей, независимо от того, являются ли эти цели стратегическими, тактическими, аналитическими или оперативными.

4. Анализ данных. В зависимости от целей можно проанализировать данные из различных источников, как внутренних, так и внешних. Анализ данных в целом является более ценным, чем анализ данных по отдельности.

5. Формулировка выводов на основе выполнения предыдущих этапов.

В фармацевтической отрасли необходимо использование данных из различных источников, включая клинические исследования, исследования рынка и реальные доказательства. Большие данные или большие наборы данных, которые используются для выявления закономерностей и тенденций, могут быть использованы в фармацевтической отрасли в различных направлениях (см. рис. 7).

1. Применение анализа больших данных при разработке новых лекарственных средств. Анализируя большие наборы данных о распространенности заболевания, характеристиках пациентов и потенциальных терапевтических целях, фармацевтические компании могут определить потенциальные области внимания для разработки ЛС. Кроме того, большие данные могут быть использованы для оптимизации дизайна клинических исследований путем определения целевой аудитории.

2. Большие данные используются при оптимизации управления цепочками поставок и повышении эффективности процессов разработки и производства ЛС. Анализируя данные о таких факторах, как доступность сырья, производственные мощности и спрос.

3. Анализ больших данных также применяют для принятия обоснованных решений о ценообразовании, маркетинге и продажах.

В целом использование больших данных позволяет фармацевтическим компаниям принимать более обоснованные решения, повышающие качество оказываемых пациентам услуг.

Новые профессиональные возможности в области информационных технологий в медицинской и фармацевтической отрасли

Медицинская информатика является междисциплинарной областью, которую можно определить как систематическое применение информационных технологий для оказания медицинской помощи. Это развивающаяся научная дисциплина, которая имеет дело с ресурсами, устройствами и методами, необходимыми для оптимизации сбора, хранения, поиска и передачи данных, связанных со здоровьем.

Высокий спрос на медицинскую информатику во всем мире определяет значительные возможности для трудоустройства. В свою очередь, специалисты активно осваивают эту область. Прогнозируется, что спрос на рабочие места в области медицинской информатики будет расти в ближайшие десятилетия.

Большинство рабочих мест в области медицинской информатики предполагает сбор и анализ данных, измерение воздействия, разработку рабочих процессов, обучение конечных пользователей, управление системой или выполнение функций посредника между пользователями и программистами.

В настоящее время в мировой практике имеется достаточно широкий перечень должностей в области медицинской информатики.

Клинический информатик — это медицинский работник, который осуществляет деятельность в клинических условиях, выполняя определенные служебные обязанности в зависимости от ситуации или размера компании.

В небольшом учреждении клинический информатик может отвечать за сбор, организацию и управление данными пациентов и предоставление информации заинтересованным сторонам, включая персонал и пациентов.

Директор по информатике здравоохранения (директор по медицинской информатике или медицинский директор по информатике здравоохранения). Директор по информатике здравоохранения является менеджером высшего звена, который контролирует внедрение систем электронных медицинских карт в медицинских учреждениях.

Директор по информатике здравоохранения контролирует новейшее программное обеспечение и технологии, чтобы поддерживать процессы в актуальном состоянии.

Фармацевтический информатик. Данный специалист устраняет ошибки при назначении ЛП для пациентов. Он использует информацию для мониторинга дозирования и аллергических реакций, а затем следит за точностью назначения врачей для улучшения результатов лечения пациентов.

Директор по медицинской информации. Главный специалист по медицинской информации отвечает за обеспечение того, чтобы команда управления информацией каждого отдела работала как можно более успешно и эффективно.

Кроме того, они проводят ежедневный анализ, разрабатывают программные приложения и участвуют во многих процессах по управлению информационными технологиями. Эти сотрудники работают в образовательных учреждениях, на государственных должностях, а также в больницах.

Медсестра-специалист по информатике. Медсестры-информатики служат связующим звеном между медсестрами и разработчиками. Помимо предоставления медицинской помощи пациентам и выполнения административных обязанностей, медсестры-информатики изучают рабочие процессы, чтобы помочь разработчикам в создании инструментов, которые они могут использовать, а также контролировать сестринский персонал и проектировать системы и функции привязки, которые позволяют оптимизировать данные.

Менеджер по клинической информатике. Менеджеры по клинической информатике — это администраторы высокого уровня, ответственные за надзор за технологической политикой, программами и инфраструктурой организации.

Они вовлечены во все аспекты ИТ-операций, включая разработку политик и процедур, связанных с защитой безопасности и конфиденциальности.

Они руководят командой ИТ-менеджеров, составляют бюджеты отделов и берут на себя ответственность за все основные решения и инициативы отдела, участвуют в выборе ИТ-поставщиков, согласовании контрактов и руководстве проектированием и внедрением критически важных систем и программ.

Аналитик по клинической информатике. Аналитики по клинической информатики — это работники, которые анализируют информацию и используют результаты для улучшения деятельности организации.

Эти сотрудники играют важную роль в анализе и документировании данных, консультировании различных отделов относительно потребностей в данных и обеспечении соблюдения правовых норм при хранении и получении данных.

Специалист по медицинской информатике. Специалист по медицинской информатике работает с руководством организации над директивами, инициативами в области качества и управления, чтобы гарантировать, что ИТ-системы, которые собирают, управляют и защищают данные, работают на организацию.

Этот специалист обычно работает с главным исполнительным директором медицинской организации для обеспечения прогресса в достижении поставленных целей, а также для выявления и моделирования процесса принятия решений.

Данные сотрудники создают программы для медицинских приложений в области диагностики и терапии, разрабатывают информационные системы и оптимизируют обработку информации и обмен информацией между медицинскими и исследовательскими учреждениями.

Координатор аптечной информатики. Координаторы аптечной информатики — это физические лица, которые должны иметь актуальную информацию о действующих стандартах и законодательстве в области фармации.

Преподаватель медицинской информатики. Преподаватель информатики — это сотрудник, который помогает устранить недостаток знаний в этой области у клинических специалистов.

Преподаватели могут быть клиницистами с технологическим опытом или технологами, которые имеют серьезный опыт работы в клинических условиях.

Диетолог-информатик. Специалисты по питанию используют данные пациентов для принятия правильных решений относительно планирования питания, потребности в питании, пищевой аллергии и другой важной информации о питании.

Менеджеры по медицинской информации. Менеджеры по медицинской информации отвечают за получение, анализ и обеспечение безопасности цифровых и традиционных медицинских записей пациентов.

Абсолютно важно, чтобы существовала связь между объективными данными, врачом и историей болезни пациента. Это соответствие имеет жизненно важное значение для эффективного предоставления качественной медицинской помощи.

Консультант по информатике. Консультанты по информатике — это лица, которые отвечают за обеспечение достижения медицинскими организациями проектных целей, связанных с использованием технологии электронных медицинских карт.

Консультанты по информатике — это либо поставщики технологий, которые передаются на аутсорсинг клиентским сайтам, либо независимые агенты, которых привлекают для внедрения медицинских информационных систем, электронной медицинской документации и обеспечения конфиденциальности данных пациентов.

Специалист по медицинскому кодированию. В обязанности специалиста по медицинскому кодированию входит классификация диагнозов и процедур для облегчения выставления счетов и получения возмещения от страховых медицинских компаний.

Менеджер ИТ-проектов в здравоохранении. Руководители ИТ-проектов в области здравоохранения отвечают за координацию человеческих и информационных ресурсов.

Учитывая высокую скорость, с которой развиваются медицинские информационные технологии, всегда существует необходимость в интеграции обновлений поставщиков и внедрении новых модулей.

Менеджеры компьютерных и информационных систем. Менеджеры компьютерных и информационных систем отвечают за установку новых компьютерных систем, поддержание низких эксплуатационных расходов, организацию ИТ и работу по улучшению существующих компьютерных систем.

Менеджер по медицинским услугам. Эти специалисты несут ответственность за планирование и координацию медицинских услуг.

В Российской Федерации возможности в области информационных технологий для фармацевтической и медицинской отраслей связаны с Профессиональным стандартом «Врач-кибернетик», утвержденным Приказом Министерства труда и социальной защиты РФ от 4 августа 2017 г. № 610н.

Таблица 3. Трудовые функции и должности специалистов

Обобщенная трудовая функция	Возможные наименования должностей	Трудовые функции
Ведение статистического учета в медицинской организации	- Врач-статистик	Выполнение статистического учета и составление отчетности медицинской организации
Обеспечение информационно-технологической поддержки в области здравоохранения	- Врач-кибернетик - Аналитик - Эксперт - Специалист по внедрению и сопровождению информационных систем в сфере здравоохранения, связанных с организацией и оказанием медицинской помощи - Проектировщик баз данных и информационных систем - Менеджер проектов	Создание, внедрение, развитие и эксплуатация информационных систем в сфере здравоохранения, связанных с организацией и оказанием медицинской помощи, внедрение и применение информационных технологий. Разработка моделей и стандартов информационного взаимодействия. Поддержка деятельности медицинских специалистов, принятия клинических и управленческих решений
Организация и проведение научных исследований в области здравоохранения	- Младший научный сотрудник - Научный сотрудник - Аналитик - Эксперт - Специалист в области биоинформатики	Разработка новых медицинских и биологических моделей и методов и внедрение их в клиническую практику и управление здравоохранением. Проведение научных исследований в области медико-биологических дисциплин на основе математических методов и вычислительных средств. Планирование медико-биологического исследования, внедрение результатов в практику с использованием методов математической статистики и доказательной медицины. Анализ научной, клинической, нормативно-правовой и справочной информации, учебной литературы и других источников для определения перспективных направлений научных исследований
Решение системно-аналитических задач в области здравоохранения	- Врач-кибернетик - Аналитик - Эксперт - Менеджер проектов	Системный анализ объектов исследования в медицине и здравоохранении. Разработка систем информационной поддержки управления знаниями в медицине, биологии и здравоохранении

Карьерные возможности в области информационных технологий могут развиваться не только в рамках медицинских, но и других специальностей.

Например, в Государственный информационный ресурс «Справочник профессий» включена профессия, связанная с информатикой — «Специалист по валидации информационных систем (в сфере обращения лекарственных средств)».

Специалист по валидации информационных систем обеспечивает:

• соблюдение требований надлежащей практики автоматизированного производства (GAMP), нормативно-правовых актов и стандартов в отношении информационных систем;

• определение необходимости и объемов повторной валидации при изменениях в автоматизированных системах, влияющих на статус валидации;
• разработку и согласование регламентирующей и регистрирующей документации по мониторингу информационных систем, прошедших валидацию;
• проведение испытаний объектов и процессов;
• контроль за изменениями и отклонениями, выявленными в ходе процесса валидации;
• проведение расчетов и обработки данных, предусмотренных протоколом валидации;
• оформление и согласование отчета по валидации (квалификации);
• оценку пригодности поставщиков услуг по проведению работ по валидации (квалификации) на соответствие установленным требованиям;
• контроль за соблюдением требований и сроков выполнения работ по валидации, выполнением мероприятий по результатам валидационных работ;
• оценку запланированных и незапланированных изменений в процессах и объектах, влияющих на статус валидации (квалификации);
• проведение анализа и оценки значимости отклонений от установленных процедур при валидации производства лекарственных средств на соответствие установленным требованиям;
• разработку системы управления данными и документами для идентификации операторов, осуществляющих вход, а также для регистрации изменения, подтверждения или удаления данных;
• организацию мониторинга состояния объектов и процессов, прошедших валидацию, для подтверждения соответствия предназначенной цели.

Глава 2. ИНФОРМАЦИОННЫЕ СИСТЕМЫ В ЖИЗНЕННОМ ЦИКЛЕ ФАРМАЦЕВТИЧЕСКОГО ПРОДУКТА

Фармацевтические информационные системы (ФИС) — это совокупность кадровых, организационных, технических, программных и профессионально ориентированных цифровых информационных ресурсов. С точки зрения классификации ФИС существует два вида программного обеспечения:

1. Внешние системы — это готовые программные продукты или программно-аппаратные комплексы, которые могут быть настроены на необходимую работу под запросы конкретной организации.

2. Системы собственной разработки — это программные или программно-аппаратные комплексы, разработанные специалистами самой организации.

В зависимости от области применения выделяют несколько групп программного обеспечения:

1. Встроенное программное обеспечение — системы, встроенные в аппаратное обеспечение. Этот тип программного обеспечения обычно приобретается в комплекте с оборудованием и не настраивается.

2. Инфраструктурные системы — это операционные системы, инструменты управления базами данных и другие.

3. Вычислительное программное обеспечение, выполняющее функции обработки данных или статистических расчетов.

4. Базы данных — это программные продукты, предназначенные для хранения информации в структурированном виде. Обычно в отдельном состоянии они не используются, а входят в состав более сложных информационных систем.

5. Административные информационные системы предназначены для автоматизации различных функций и процессов, которые существуют в организации.

6. Электронные лабораторные журналы (ELN) являются средствами хранения результатов лабораторных экспериментов в электронном виде.

7. Лабораторные информационные системы (LIMS) являются средствами контроля всех потоков данных, генерируемых в лабораториях.

Управление жизненным циклом фармацевтического продукта

Для информационной поддержки продукта на всех этапах жизненного цикла используются комплексные системы информационного обеспечения, которые объединяются под единым термином: CALS/PLM-технологии.

Технологии CALS (англ. Continuous Acquisition and Lifecycle Support) являются средством непрерывной информационной поддержки поставок и жизненного цикла продукта.

PLM (англ. Product Lifecycle Management system) — это система управления технологией и жизненным циклом продукта, которая обеспечивает управление всей информацией о продукте и связанными с ним процессами на протяжении всего его жизненного цикла: от исследований и производства до вывода из продаж.

На данный момент в фармацевтической отрасли подобные системы представлены в виде отдельных компонентов, используемых участниками фармацевтического рынка на различных этапах жизненного цикла продукта.

Информационные взаимодействия между ними в значительной степени происходят на бумаге. Те немногие информационные ресурсы, которые ведутся на государственном уровне, не являются самостоятельным носителем информации, а содержат дублирующую информацию, выпущенную на бумажном носителе.

При этом процессы нормализации или поисковой оптимизации и гармонизации сохраняемой информации в них практически не производятся.

Основной областью применения CALS/PLM-технологий должна стать поддержка жизненного цикла ЛС. Она включает в себя разработку новых ЛС, доклинические и клинические исследования, экспертизу, регистрационные процедуры, подтверждение качества продукта, контроль результатов применения и побочных эффектов, сопровождение логистических операций, контроль товарооборота и другие менее значимые этапы (см. рис. 8).

Реализация такого подхода позволяет повысить осведомленность об ЛС всех участников фармацевтического рынка, создает потенциал для ускорения разработки и производства современных ЛС, возможности автоматизации формирования регистрационного досье и сокращает время прохождения процедур допуска продукта на рынок. За счет электронного документооборота сокращаются расходы на сопровождение логистических операций и упрощается работа надзорных органов.

Многообразие процессов жизненного цикла и необходимость их оптимизации требуют активного информационного взаимодействия организаций и заинтересованных лиц, участвующих в их реализации и поддержке.

С ростом числа участников объем используемой и передаваемой информации резко возрастает. Это приводит к необходимости создания единого информационного пространства, в основе которого лежит применение открытых архитектур, унифицированных стандартов, обмена данными и совместимого программного обеспечения.

Для новых высокоэффективных ЛС единое информационное пространство обеспечивает взаимодействие научно-исследовательских центров и производственных предприятий, поставщиков, государственных органов и конечного потребителя на всех этапах обращения ЛС. В целом концепция внедрения CALS/PLM-технологий в фармацевтическую отрасль должна основываться на системном подходе, в рамках которого поддерживаются все процессы жизненного цикла ЛП, выходящие за пределы одного предприятия и географических границ конкретного региона.

Технологии полного управления информацией об ЛС на протяжении всего жизненного цикла обеспечивают решение ряда конкретных задач, наиболее значимыми из которых являются:

• использование идентификационного маркера для отслеживания движения упаковок готового ЛП;
• мониторинг терапевтической эффективности и возникновения нежелательных побочных эффектов, позволяющий аккумулировать и анализировать фактические данные о безопасности и эффективности применения ЛП;
• создание инструкции по медицинскому применению и установленной документации к ЛП на основе цифровых технологий;
• стандартизация процессов и технологий управления жизненным циклом и информационного взаимодействия всех участников обращения ЛС на всех этапах, обеспечение единообразия действий и интерпретации данных всеми участниками процесса, а также возможность повторного использования созданных данных, что значительно сокращает затраты и время.

Разработка информационных систем, объединяющих различные этапы жизненного цикла ЛС, является реализацией концепции внедрения CALS/PLM-технологий для информационного обеспечения жизненного цикла ЛС.

Управление портфелем разработок ЛС включает в себя инструменты планирования проектов и управления ресурсами для сбора доказательств. Классические программы управления разработкой ЛС сосредоточены на ключевых показателях, таких как график работы и стоимость. Для улучшения процесса разработки ЛС необходимы средства для синхронизации кросс-функциональных взаимодействий и достижения результатов в критических областях.

Управление клиническими исследованиями является одним из основных этапов в разработке ЛС. Общество по управлению клиническими данными (SCDM) создало стандарт «Надлежащая практика управления клиническими данными» (англ. Good Clinical Data Management Practices; GCDMP) — всеобъемлющий документ, содержащий рекомендации по общепринятым практикам управления клиническими данными (CDM), которые не полностью охватываются действующими руководящими принципами и нормативами. Этот документ постоянно обновляется экспертами в данной области.

GCDMP — это действующие отраслевые стандарты управления клиническими данными, которые состоят из передовой деловой практики и приемлемых установленных стандартов. На всех этапах клинических исследований необходимо собирать клиническую и лабораторную информацию и преобразовывать ее в цифровую форму для целей анализа и отчетности.

Трансфер технологий и масштабирование. Создание ЛП предполагает большое количество этапов за счет постепенного масштабирования производственного процесса. Эффективный процесс масштабирования ЛП требует совместной работы в нескольких процессах и зависимостях. Для масштабирования до уровня серийного производства требуется корпоративное решение, которое позволит контролировать цепочку поставок сырья и материалов, оборудования и вспомогательных систем не только для отдельных видов продукции, но и всего предприятия в целом.

Интегрированное управление качеством и рисками. Переход отрасли к концепции «Качество путем разработки» при создании ЛС также требует наличия системы менеджмента качества (СМК) и технических решений для обеспечения ее функционирования. Эффективные решения СМК должны внедряться с самого начала разработки ЛС и использоваться во всех процессах данного этапа жизненного цикла. Включение процессов упаковки, маркировки и связанных с ними вопросов маркетинга в этапы разработки ЛС создает дополнительные возможности для фармацевтического предприятия. Разрыв разработки упаковки и маркировки с процессом создания ЛС приводит к возможности создания потенциальных вводящих в заблуждение сообщений, которые могут негативно повлиять на фармацевтический продукт.

Создание глобального электронного хранилища для всех компонентов упаковки, таких как логотипы и изображения и связанные с ними маркетинговые продукты, обеспечивает целостность информации и возможность упрощения создания в будущем всех необходимых информационных продуктов. Также возможно повторное использование материалов, ранее разработанных для новых ЛС.

Выход на мировые рынки. Успешным завершением любого проекта по разработке ЛС является прохождение регуляторных процедур и получение разрешения на медицинское применение. Если на мировые рынки необходимо вывести новые продукты, вопросы регистрации усложняются.

Необходимо учитывать постоянное изменение требований к регистрации в разных странах. В результате задержки в получении разрешения на медицинское применение и серийное производство могут быть очень длительными, что, в свою очередь, оказывает существенное влияние на прибыль, полученную от создания нового ЛП.

Сохранение информации, накопленной на предыдущих этапах жизненного цикла, облегчает предоставление данных, необходимых в ходе регистрационных процедур. В частности, накопленная информация может использоваться при разработке новых ЛС, тем самым уменьшая объем требуемых инвестиций и сокращая срок окупаемости.

Информационные системы управления жизненным циклом позволяют как управлять, так и централизованно накапливать всю информацию о продукте.

Благодаря этому фармацевтические компании имеют возможность осуществлять инвестиции в информационные технологии с акцентом на ускорение выхода продукта на рынки, снижение операционных и производственных затрат и создание системы менеджмента качества.

Значение цифровых технологий для фармацевтических разработок

Использование цифровых технологий в доказательных фармацевтических исследованиях имеет потенциал для повышения качества и эффективности исследований, а также повышения их доступности и воздействия.

Использование цифровых систем важно для автоматизации процессов фармацевтической разработки, таких как фармакологический скрининг. Этот метод предполагает поиск веществ с определенным видом фармакологической активности среди большого количества химических соединений.

В настоящее время необходимо синтезировать и протестировать не менее 10 000 исходных соединений, чтобы иметь более высокую вероятность нахождения потенциально эффективного ЛП. Точное отслеживание и учет испытуемых образцов и их воздействия на биологические объекты имеет важное значение при фармакологическом скрининге. Без цифровых систем было бы крайне сложно или даже невозможно каталогизировать рассматриваемые соединения и принять к сведению их свойства. Специализированное программное обеспечение и лабораторные информационные менеджмент-системы (LIMS) часто используются для многократного повторения одного и того же типа тестов с разными образцами. Эти системы позволяют эффективно и надежно управлять данными и анализировать их, повышая эффективность и точность фармакологического скрининга.

Молекулярная инженерия также может быть использована в разработке ЛС. Этот подход предполагает использование трехмерных изображений активных центров рецепторов и ферментов для разработки молекул, которые идеально соответствуют их форме. Создав несколько молекул, которые подходят для дальнейшей разработки ЛС, исследователи могут избежать необходимости синтезировать и тестировать тысячи соединений на ранних стадиях этого процесса. Однако этот метод может быть дорогостоящим, так как требует специализированного программного обеспечения и высококвалифицированных специалистов в нескольких областях, таких как биологическая и фармацевтическая химия, фармакология и компьютерное моделирование.

Другой подход к созданию новых ЛС заключается в воспроизведении естественных веществ, таких как медиаторы, гормоны гипофиза, гормоны щитовидной железы и гормоны надпочечников. Например, обнаружено, что введение атомов фтора в молекулы ЛС повышает их активность. Этот подход был использован для создания мощных глюкокортикоидных ЛП путем фторирования кортизола и для создания наиболее активных противомикробных агентов, известных как фторхинолоны, путем фторирования хинолонов. Программное обеспечение, аналогичное тому, которое используется в молекулярном моделировании, может использоваться для прогнозирования того, как изменения в молекуле повлияют на ее свойства.

Другим подходом к разработке ЛП является синтез фармакологически активных метаболитов. Например, транквилизатор оксазепам был обнаружен в результате изучения метаболизма диазепама в печени. Оксазепам в настоящее время синтезируется и производится как отдельный ЛП. Проведение подобных исследований может потребовать использования лабораторных и медицинских информационных систем.

Некоторые ЛС, например пенициллин, были обнаружены случайно. Иногда открытия могут быть результатом ошибки, и важно записывать условия и результаты всех проведенных исследований, чтобы повторить эту «ошибку». И здесь также могут быть использованы цифровые системы. Некоторые гормональные ЛП получают из тканей животных. Для того чтобы обнаружить новые биогенные ЛП, важно обмениваться научной информацией о наличии того или иного соединения в биологическом объекте, а затем исследовать его биологическую активность. Эта работа похожа на фармакологический скрининг, с той разницей, что исследуемое вещество встречается в природе, а не синтезируется.

Цифровые системы широко используются для повышения эффективности научной разработки ЛС. Одним из типов систем, которые используются для этой цели, является Система управления научными данными (англ. Scientific Data Management System; SDMS), которая предназначена для организации неструктурированных данных. Эти системы могут быть интегрированы с лабораторными информационными системами для обмена информацией об имеющихся методах, оборудовании, реагентах и материалах. Интеграция с базами данных химических веществ также может быть использована для получения информации о компонентах ЛС и их токсичности. Электронные лабораторные журналы (ELN) являются еще одним типом лабораторного программного обеспечения, которое используется для автоматизации исследовательской деятельности.

Интеллектуальный анализ данных при разработке новых лекарственных средств

Интеллектуальный анализ данных (англ. data mining) при разработке ЛС включает в себя использование вычислительных методов для анализа и извлечения полезной информации из больших наборов данных для выявления потенциальных кандидатов на ЛС.

Этот процесс может быть применен к различным типам данных, включая химические структуры, данные биологической активности и результаты клинических исследований (см. рис. 9).

Одним из распространенных подходов к интеллектуальному анализу данных при разработке ЛС является использование алгоритмов машинного обучения для выявления закономерностей в данных, которые могут указывать на потенциал соединения в качестве ЛС.

Эти алгоритмы могут быть обучены на существующих данных для распознавания паттернов, которые предсказывают способность соединения взаимодействовать с конкретной мишенью или вызывать желаемый терапевтический эффект.

Другой подход заключается в использовании сетевого анализа для выявления связей между соединениями и их мишенями или для прогнозирования потенциальных побочных эффектов соединения на основе его химической структуры и известных взаимодействий с другими соединениями.

В дополнение к этим методам интеллектуальный анализ данных также может быть использован для повышения эффективности выявления новых ЛС путем обнаружения новых мишеней для разработки ЛС или путем выявления потенциального синергизма между соединениями, которые могут усиливать их терапевтические эффекты.

Интеллектуальный анализ данных также может быть использован для оптимизации дизайна клинических исследований. Например, для идентификации подгрупп пациентов, которые, скорее всего, будут реагировать на конкретное лечение, или для выявления потенциальных биомаркеров, которые могут быть использованы для прогнозирования реакции пациента на ЛС. Это может помочь проводить более эффективные и результативные клинические исследования, что в конечном итоге приведет к более быстрому внедрению новых методов лечения.

Еще одно применение интеллектуального анализа данных находится в области фармаконадзора, который включает в себя мониторинг безопасности, эффективности и качества ЛС после того, как они были одобрены для использования. Интеллектуальный анализ данных может быть использован для выявления потенциальных побочных реакций на ЛС или для выявления закономерностей в данных о пациентах, которые могут указывать на потенциальное злоупотребление ЛС.

В целом интеллектуальный анализ данных играет жизненно важную роль в процессе клинических исследований ЛС, предоставляя систематический и эффективный способ анализа больших объемов данных и выявления перспективных потенциальных кандидатов. Используя возможности интеллектуального анализа данных, исследователи могут более эффективно выявлять и использовать новые терапевтические возможности, что в конечном итоге приводит к разработке более эффективных ЛС.

Однако использование интеллектуального анализа данных при исследовании ЛС имеет ряд проблем.

1. Одной из них является необходимость наличия высококачественных данных. Чтобы эффективно использовать данные, исследователи должны иметь доступ к точным, всеобъемлющим и актуальным наборам данных. Однако данные, используемые при изучении ЛС, часто поступают из различных источников и могут быть разного качества.

2. Другой проблемой является сложность самих данных. Наборы данных, используемые при изучении ЛС, могут быть очень большими и сложными, со многими переменными, которые необходимо учитывать. Это может затруднить идентификацию закономерностей и связей между ними и может потребовать использования передовых алгоритмов машинного обучения для эффективного анализа.

3. Также существует проблема субъективности данных. Алгоритмы интеллектуального анализа данных могут быть настолько хороши, насколько хороши данные, на которых они обучаются, и, если для этого были использованы субъективные данные, результаты анализа могут вводить в заблуждение. Важно, чтобы исследователи тщательно рассмотрели потенциальные источники субъективности в своих данных и предприняли шаги по ее устранению, чтобы обеспечить достоверность результатов.

Несмотря на эти проблемы, интеллектуальный анализ данных остается жизненно важным инструментом в исследованиях, а достижения в области вычислительных методов и машинного обучения помогают разработчикам преодолевать эти проблемы и извлекать ценную информацию из сложных наборов данных.

Существует несколько инструментов и пакетов программного обеспечения, доступных для интеллектуального анализа данных при разработке ЛС (табл. 4).

Название	Характеристика
KNIME (Konstanz Information Miner)	Платформа интеллектуального анализа данных с открытым исходным кодом, которая позволяет пользователям создавать рабочие процессы для предварительной обработки, визуализации и анализа данных
RapidMiner	Коммерческая платформа интеллектуального анализа данных, которая предлагает широкий спектр алгоритмов машинного обучения и функций для предварительной обработки, визуализации и анализа данных
Weka	Пакет программного обеспечения для интеллектуального анализа данных с открытым исходным кодом, который предоставляет широкий спектр алгоритмов машинного обучения и функций для предварительной обработки, визуализации и анализа данных
R	Язык программирования и программная среда для статистических вычислений и графики. Имеет большое количество пакетов, доступных для интеллектуального анализа данных и машинного обучения
Python	Язык программирования с большим количеством библиотек и пакетов, доступных для интеллектуального анализа данных и машинного обучения, включая scikit-learn и TensorFlow

Эти инструменты и пакеты программного обеспечения могут использоваться для анализа и извлечения информации из различных типов данных, включая химические структуры, данные биологической активности и результаты клинических исследований. Используя эти инструменты, исследователи могут более эффективно выявлять закономерности и отношения в данных, которые могут указывать на потенциальные соединения в качестве ЛС.

В дополнение к инструментам и пакетам программного обеспечения, упомянутым выше, существует также несколько баз данных и ресурсов, доступных для интеллектуального анализа данных при исследовании ЛС (табл. 5).

Название	Характеристика
ChEMBL	База данных биологически активных молекул и их мишеней, а также связанные с ними фармакологические и биохимические данные
DrugBank	База данных информации об ЛС, включая их химические структуры, биологическую активность и данные клинических исследований
PubChem	База данных химических структур и связанной с ними биологической активности, а также информация о клинических исследованиях и патентах
KEGG	База данных, где собрана геномная, химическая, функциональная и прочая информация, и предназначенная прежде всего для интерпретации данных геномного секвенирования. Ресурс представляет собой попытку компьютеризировать все данные молекулярной и клеточной биологии

Таким образом, интеллектуальный анализ данных играет решающую роль в процессе разработки новых ЛС, обеспечивая систематический и эффективный способ анализа больших объемов данных и выявления перспективных потенциальных молекул. Используя вычислительные методы для извлечения информации из сложных наборов данных, исследователи могут более эффективно идентифицировать закономерности и отношения, которые могут указывать на потенциал соединения в качестве ЛС.

Интеллектуальный анализ данных может применяться к различным типам данных, включая химические структуры, данные биологической активности и результаты клинических исследований, и может использоваться для оптимизации дизайна клинических исследований и мониторинга безопасности, эффективности и качества ЛС после того, как они были одобрены для использования.

Хотя существуют проблемы с использованием интеллектуального анализа данных, достижения в вычислительных методах и машинном обучении помогают исследователям преодолевать эти проблемы и извлекать ценную информацию из сложных наборов данных.

Системы автоматизации лабораторий

Лабораторные исследования актуальны на различных этапах жизненного цикла ЛС. Например, на этапе доклинических исследований происходит определение токсичности биологически активного вещества, оценка возможности создания ЛС на его основе. Кроме того, при производстве ЛС осуществляется контроль качества используемых материалов и готового продукта. При проведении исследований для контроля качества реализуемого продукта со стороны государства, лаборатории также являются одним из ключевых подразделений. В клинических исследованиях лабораторные анализы играют большую роль для определения показателей пациентов. В Российской Федерации лаборатория подтверждает свое соответствие критериям аккредитации, в качестве которых используются следующие стандарты аккредитации лаборатории:

• ГОСТ ISO/IEC 17025-2019 «Общие требования к компетентности испытательных и калибровочных лабораторий». Данный Стандарт устанавливает общие требования к компетентности, беспристрастности и стабильному функционированию лабораторий. Стандарт применим ко всем организациям, занимающимся лабораторной деятельностью, независимо от численности персонала. Заказчики лабораторий, регулирующие органы, органы по аккредитации, а также другие стороны применяют данный Стандарт при подтверждении или признании компетентности лабораторий;
• ГОСТ Р ИСО 15189-2015 «Лаборатории медицинские. Частные требования к качеству и компетентности». Данный Стандарт устанавливает специальные требования к качеству и компетентности медицинских лабораторий. Стандарт может быть использован медицинскими лабораториями для разработки своих систем менеджмента качества и для оценки собственной компетентности. Стандарт может также быть использован для подтверждения или оценки компетентности медицинских лабораторий пользователями лабораторных услуг, регулирующими органами власти и органами аккредитации.

При реализации системы автоматизации лабораторий в нее может быть включен функционал нескольких классов лабораторных информационных систем. Собственно, LIMS (англ. Laboratory Information Management System) включает в себя основные элементы управления лабораторией. Функциональность этого класса систем включает в себя управление образцами.

Для соблюдения требований стандартов образцы должны быть соответствующим образом маркированы, места их хранения должны быть введены в систему. Их потребление и передача аналитикам в работу должны сопровождаться контролируемыми соответствующими электронными записями. Еще одной функциональной возможностью является хранение спецификаций (в частности, установленной документации на ЛС) на анализируемые продукты, в соответствии с которыми проводятся исследования. В системе также происходит распределение задач по исполнителям, что позволяет контролировать исполнение и равномерно распределять нагрузку. Автоматически учитывается квалификация лабораторных аналитиков и их присутствие на рабочем месте. Результаты, полученные в ходе исследований, переносятся в двухуровневую систему утверждения. Каждый аналитический лист утверждается заведующим лабораторией, а в дальнейшем руководитель испытательного центра утверждает сводный протокол исследования, содержащий общий результат исследования. При этом рабочий процесс может корректироваться в зависимости от смены персонала лаборатории с учетом командировок и отпусков сотрудников.

Встроенный компонент «Аудиторский след» позволяет отслеживать жизненный цикл исследования, начиная от первичных данных, полученных от лабораторного оборудования, включая реагенты и стандартные образцы, используемые для проведения исследования, и заканчивая списком лиц, причастных к получению результата, и его подтверждением. Ряд функциональных возможностей системы относится к другому классу лабораторного программного обеспечения — Electronic Laboratory Notebook (ELN). Основным назначением этих систем является получение данных от лабораторного оборудования и их интерпретация. Это позволяет исключить фиксацию результатов и расчетов на бумаге или в MS Excel. Отдельно данный класс программного обеспечения используется в научно-исследовательских лабораториях, занимающихся научными исследованиями. LIMS наследует от этого класса лабораторных информационных систем возможность непосредственной интеграции с лабораторным оборудованием. Он использует связь между персональным компьютером, на котором используется LIMS, и тестовым оборудованием через прямое подключение или через подключение к локальной сети с использованием протокола TCP/IP. Например, эта способность позволяет напрямую получать данные с высокоэффективных жидкостных хроматографов без этапа ручной передачи значений. Далее данные автоматически попадают в аналитический лист, на котором выполняются все необходимые расчеты. Результаты сохраняются в системе.

Следующим классом систем функциональности, которые интегрирует система автоматизации лабораторий, является система управления научными данными (SDMS). Чаще всего для хранения такой информации используются файловые каталоги на общих сетевых ресурсах. Однако этот подход неприменим к практическим решениям. Его основными недостатками является то, что существует высокая вероятность устаревания документов. Также очень часто документы из этих каталогов копируются на рабочие места сотрудников лабораторий, что разрывает связь между обновляемым каталогом стандартизирующих документов и используемым файлом. Аналогичные трудности возникают при печати документации и использовании бумажных копий. Решения SDMS предназначены для хранения и распространения такой документации в контролируемой форме. Это гарантирует, что будут использоваться только текущие версии документов. Возможность их копирования исключена. Подобное решение, созданное в системе, позволяет хранить и управлять научной документацией, связанной с работой испытательных лабораторий, а также проводить обучение на ее основе. При этом каждый сотрудник ставит отметку в системе об изучении присланного ему документа. В дальнейшем эта информация используется в качестве контрольного пункта для анализа квалификации персонала при распределении тестовых заданий.

LIMS может быть интегрирована с другими информационными системами компании. Задания могут поступать из системы электронного документооборота учреждения. Информация о приобретенных реагентах связана с приложениями, генерируемыми в системе, а ERP-система (англ. Enterprise Resource Planning; планирование ресурсов предприятия) выступает источником информации. Информация об имеющемся в рабочем состоянии лабораторном оборудовании поступает из системы, обеспечивающей работу метрологического подразделения.

Внедрение лабораторных информационных систем оказывает наиболее значительное влияние на систему обмена информацией. Оборот бумажных носителей не позволяет оперативно передавать необходимые данные сотрудникам лаборатории, способствует искажению информации и часто приводит к конфликтам между специалистами. Вся необходимая установленная документация находится в LIMS в электронном виде, что позволяет отслеживать версии документов и сокращать время, затрачиваемое на поиск необходимой эксперту информации.

Внедренная система менеджмента качества гарантирует достоверность данных, полученных в ходе исследований. LIMS является неотъемлемой частью данной системы и обеспечивает поддержку процессов менеджмента качества: отслеживает валидность лабораторных стандартов, обеспечивает прослеживаемость действий персонала лаборатории, документов и отчетов об отклонениях в работе лабораторий, интегрируется с оборудованием, снижая ошибки, связанные с человеческим фактором, выполняет комплексный документированный аудит всего, что происходит в лаборатории.

Система может использоваться для поддержания десятков тысяч исследований ежегодно, которые проводятся по ряду различных показателей на автоматизированном измерительном оборудовании с целью определения соответствия исследуемых образцов заданным стандартам.

Автоматизация клинических исследований

Этап клинических исследований представляет собой контролируемый процесс изучения эффективности и безопасности применения разработанного ЛП на пациентах. Данный вид исследований проводится после прохождения доклинических исследований и требует получения разрешения на проведение от контролирующего органа.

При проведении клинических исследований проводится работа с образцами биоматериала и с пациентами. Для автоматизации этих процессов необходимо комплексно использовать несколько видов специального программного обеспечения: лабораторную информационную систему и медицинскую информационную систему. Полученные от них данные могут быть сразу объединены. В рамках единой информационной системы информация может быть получена непосредственно организатором исследования.

Это значительно улучшит качество получаемой информации о возникновении побочных реакций при использовании ЛП. В связи с этим необходимо использование специализированного программного обеспечения для управления клиническими исследованиями (англ. Clinical Trial Management System; CTMS). Основными особенностями CTMS являются планирование исследований, их проведение и формирование отчетов по их результатам.

Среди обрабатываемой информации учитываются данные пациента и ключевые моменты исследования.

Для процедуры автоматизации клинических исследований часто используется термин eClinica. Изначально он сочетал в себе все используемые технологические решения. Одним из них является электронная система сбора информации (англ. Electronic Data Capture; EDC). Это тип компьютеризированной системы, предназначенной для сбора клинических данных в электронном формате. Они в основном используются в клинических исследованиях. EDC заменяет традиционные методы сбора поступающих данных на бумаге, что положительно сказывается на ускорении выхода на рынок фармацевтического продукта.

Системы EDC широко используются фармацевтическими компаниями и специализированными клиническими исследовательскими организациями. Они предоставляются для сбора данных исследователям в клиниках, проводящих исследования.

Типичная система EDC предлагает возможность ввода данных через графический интерфейс, достоверность входной информации и инструменты отчетности для анализа собранных данных.

Системы EDC используются на всех стадиях клинических исследований, но наибольшую эффективность они показывают на поздних стадиях. EDC позволяют повысить точность собираемой информации и сократить время, необходимое для ее сбора. Современные системы EDC работают на основе принципов point-and-click и drag-and-drop, все действия выполняются в графическом интерфейсе и не требуют навыков программирования.

Системы CTMS обычно являются частью инструментария отчетности бизнес-аналитики (англ. Business intelligence; BI). Это методы и инструменты для перевода необработанной информации в содержательную, удобную форму для дальнейшего использования в бизнес-анализе.

BI-технологии обрабатывают большие объемы неструктурированных данных для поиска стратегических возможностей для бизнеса.

Целью BI является интерпретация большого объема данных, ориентируясь только на ключевые факторы производительности, моделируя исход различных вариантов действий, отслеживая результаты принятия решений.

На ранних этапах клинических исследований число пациентов и исследований относительно невелико.

Это позволяет использовать программы собственной разработки или стандартные пакеты офисного программного обеспечения.

На более поздних этапах объем данных и их сложность многократно возрастают, что обусловливает необходимость использования специализированных интегрированных программных продуктов.

Программное обеспечение, доступное для таких задач, включает в себя бюджетирование, управление пациентами, модули, обеспечивающие соответствие установленным и правовым требованиям, также модули для управления финансовыми потоками, привлечения пациентов и исследователей. Обеспечивается взаимодействие с другими системами, такими как EDC и системы отбора повторных сообщений.

Медицинские организации также заинтересованы во внедрении систем CTMS. В некоторых случаях медицинские учреждения, специализирующиеся на клинических исследованиях, используют собственные системы CTMS.

В этом случае формируются интерфейсы для обмена информацией между системой заказчика клинических исследований и медицинскими организациями. В целях интеграции широко используется группа стандартов HL7 (англ. Health Level 7), описывающая процедуры и механизмы обмена, управления и интеграции электронной медицинской информации.

Наиболее актуальным из них является FHIR (англ. Fast Healthcare Interoperability Resources) — стандарт для обмена медицинской информацией, описывающий форматы медицинских данных и обмена этими данными.

FHIR используется для доступа к информации общественного здравоохранения. Целью стандарта является взаимодействие между устаревшими системами, а также доступ к медицинским данным с различных устройств (компьютеров, планшетов, мобильных телефонов).

Информационная поддержка вывода лекарственных препаратов на рынок

Для поддержки процесса получения разрешения на обращение ЛП на определенном рынке ЛС используются различные программные продукты. Данный процесс включает в себя получение разрешения от регулирующих органов на сбыт ЛС в конкретной стране или регионе.

Программное обеспечение можно использовать для управления процессом представления документов и их рассмотрения регуляторным органом, отслеживания статуса представлений и обеспечения соответствия установленным требованиям. Соблюдение установленных стандартов и процессов может быть значительно упрощено за счет инструментов автоматизации.

Возможности подобных систем довольно разнообразны (табл. 6).

Таблица 6. Возможности инструментов автоматизации

Возможности	Характеристика
Сборка досье	Полная среда сборки документов, подаваемых на процедуру получения разрешения на обращение на рынке, которая позволяет обрабатывать электронные представления без необходимости знания технологии XML
Формирование электронного документа на основе общих стандартов	Создание, просмотр, проверка и публикация материалов досье на основе стандартов eCTD, NeeS, ACTD, eCopy, IMPD, PIP, VNeeS, ASMF, заявок на клинические исследования и других региональных форматов
Техническая валидация	Встроенная техническая проверка досье на основе регуляторных требований выбранного региона
Управление жизненным циклом	Отслеживание изменений и обновление предоставленных материалов

Автоматизация может играть важную роль в различных аспектах регулирования допуска ЛС на рынок:

1. Сбор, хранение данных и управление ими: автоматизированные системы могут использоваться для сбора и организации данных из различных источников, таких как клинические исследования, производственные записи и отчеты о фармаконадзоре. Это помогает обеспечить полноту и точность результатов.

2. Подготовка необходимых документов: автоматизированные системы могут использоваться для создания документов, таких как заявки (досье) на новые ЛС и заявки на исследуемые новые ЛС на основе шаблонов и входных данных, что упрощает процесс отправки документов и снижает риск ошибок.

3. Отслеживание и управление представленных материалов: автоматизированные системы могут использоваться для отслеживания статуса досье и управления процессом рассмотрения, что способствует своевременному рассмотрению представленных материалов и оперативному решению любых проблем или вопросов.

4. Мониторинг ЛП, обращающихся на рынке: автоматизированные системы могут использоваться для отслеживания и анализа данных фармаконадзора, таких как отчеты о неблагоприятных событиях и жалобы на лекарственные препараты.

В данном случае автоматизация может помочь выявить потенциальные проблемы безопасности и обеспечить принятие соответствующих мер. В целом использование автоматизации в вопросах регулирования ЛС направлено на повышение эффективности, точности и соответствия требованиям регуляторных органов.

Электронный общий технический документ (англ. Electronic Common Technical Document; eCTD) представляет собой стандартизированный формат для электронной подачи документов, таких как заявки на новые ЛС и заявки на исследуемые новые ЛС, в регулирующие органы.

Существуют различные инструменты и системы, которые можно использовать для создания eCTD, что может помочь упростить процесс отправки и снизить риск ошибок (табл. 7).

Название	Характеристика	Функции
Veeva Vault Submissions	Облачное программное приложение, которое используется для создания eCTD и управления ими	Управление документами, управление версиями и отслеживание отправки
NextDocs Regulatory	Облачное программное приложение, которое используется для создания eCTD и управления ими	Управление документами, управление версиями и отслеживание поданных документов
eCTDmanager	Программное приложение, которое используется для создания и управления eCTD	Управление документами, управление версиями и отслеживание отправки документов в регуляторный орган
Impulse	Программное приложение, которое используется для создания и управления eCTD	Управление документами, управление версиями и отслеживание отправки
eSUBmanager	Программное обеспечение для просмотра, которое предлагает централизованный обзор установленных документов с легким доступом из любого места	Просмотр и рецензирование представленных заявок и досье eCTD, отслеживание содержимого документов на этапах жизненного цикла
Лексофт (Россия)	Программное приложение, которое используется для создания и управления eCTD в формате ЕАЭС	Управление документами, управление версиями и отслеживание отправки документов в регуляторный орган
1С: ОТД (Россия)	Программное приложение, которое используется для создания и управления eCTD в формате ЕАЭС	Управление документами, управление версиями и отслеживание отправки документов в регуляторный орган

Шаблоны документов. Создание документов в электронном варианте может быть трудоемким, непоследовательным процессом с участием многих авторов, работающих со множеством различных файлов. Шаблоны eCTD обеспечивают простой способ создания согласованных и совместимых между регионами досье в формате eCTD (электронный общий технический документ) и других. Все досье eCTD начинают свою жизнь как набор отдельных документов, составленных вокруг общих структур и содержащих стандартную информацию. Поскольку каждый отдельный автор пишет в своем собственном стиле, полученные документы часто различаются по внешнему виду и формату.

Благодаря библиотеке из более чем 1 300 предварительно написанных шаблонов Microsoft Word, шаблоны eCTD обеспечивают общую отправную точку для всей технической документации.

Обеспечивая согласованность стандартов разработки, они дают возможность авторам сосредоточиться на контенте и стандартизировать стиль оформления, что позволяет избежать распространенных ошибок и обеспечивает гармонизированную структуру для работы персонала. Существует множество инструментов и систем, которые можно использовать для сбора, хранения и управления данными (табл. 8).

Название	Назначение
Системы электронного документооборота (СЭД)	Для хранения, организации и извлечения электронных документов, таких как заявки на регистрацию новых ЛП (NDA) и исследовательские заявки на новые ЛС (IND), а также других документов, связанных с разработкой ЛС и установленными вопросами
Системы управления клиническими исследованиями (CTMS)	Для управления данными и процессами, участвующими в клинических исследованиях, для отслеживания состояния мест клинических исследований, регистрации пациентов, управления сбором и анализом данных, формирования отчета о результатах
Системы управления установленной информацией (RIMS)	Для отслеживания статуса регуляторных процедур, управления процессом рассмотрения и создания установленных документов
Платформы управления данными (DMP)	Для сбора, хранения и анализа данных из различных источников: сбора и управления данными клинических исследований, надзора за рынком и других источников для поддержки принятия установленных решений

Это неполный перечень типов инструментов и систем, которые можно использовать для сбора, хранения и управления данными. Каждой конкретной организации необходимо оценивать и выбирать наиболее подходящие инструменты и системы с учетом индивидуальных потребностей.

На рынке существует множество систем электронного документооборота (СЭД). Некоторые примеры приведены в табл. 9.

Таблица 9. Характеристика систем электронного документооборота

Название	Краткое описание
Microsoft SharePoint	Облачная СЭД, которая используется для хранения, организации и совместного использования документов и другой информации; включает в себя такие функции, как управление версиями документов, управление рабочими процессами и интеграция с другими приложениями Microsoft
Documentum	СЭД корпоративного уровня, которая используется для управления установленными документами и другой информацией; включает в себя такие функции, как маршрутизация документов, управление версиями и отслеживание соответствия
OpenText	СЭД, которая используется для хранения, управления и извлечения электронных документов и другой информации; включает такие функции, как документооборот, управление версиями и интеграция с другими бизнес-приложениями
DocuWare	Облачная СЭД, которая используется для хранения, организации и извлечения электронных документов; включает в себя такие функции, как маршрутизация документов, управление версиями и интеграция с другими бизнес-приложениями
eDOCSmanager Powered by CARA	Безопасная система управления документами, относящимися к области медико-биологических наук, например протоколы клинических исследований, документы системы обеспечения качества и установленные документы

Существует множество примеров успешного внедрения СЭД на российском фармацевтическом рынке.

Например, ООО «Биофорте-лаб», занимающееся научными исследованиями и разработками в области биотехнологий, перешло на электронный документооборот с использованием электронного архива «Этлас». Преимуществами данного программного обеспечения являются: простота установки программы, гибкие настройки, возможность расширения функциональности архива с помощью различных подключаемых модулей, регулярность обновлений программного обеспечения, эффективная техническая поддержка.

Внедрена ECM-система Directum в фармацевтической компании «Р-Фарм». За счет внедрения системы удалось обеспечить единое структурированное информационное пространство, повысить внутреннюю безопасность работы с конфиденциальными документами, разработать механизмы взаимодействия между сотрудниками компании в процессе работы над документацией с четкой регламентацией сроков исполнения поставленных задач, автоматизировать работу с входящей и исходящей корреспонденцией, организационно-распорядительной документацией и доверенностями, упростить, ускорить и регламентировать бизнес-процессы по созданию и согласованию договорных документов.

Так, компания ООО «НИТА-ФАРМ», один из лидеров отрасли ветеринарной фармацевтики, внедрила в свою деятельность систему ELMA. Основная задача для данной СЭД, обозначенная руководством компании, — автоматизация производственно-коммерческих процессов и последующая аналитика.

Ниже приведены несколько примеров CTMS, которые доступны на рынке и используются для управления сбором, анализом и отчетностью данных клинических исследований. Они включают в себя такие функции, как электронный сбор данных (EDC), управление клиническими данными и интеграция с другими системами клинических исследований:

• Medidata Rave;
• Oracle Clinical Development;
• TrialMaster;
• InForm;
• клинический модуль eDOCSmanager.

Платформы управления данными (DMP) — это программные приложения, которые используются для сбора, хранения и анализа данных из различных источников. В настоящее время используются такие платформы, как: Adobe Audience Manager, Tealium AudienceStream, BlueConic, DMP Lytics. Их основная функция — сегментация данных, моделирование данных и интеграция с другими маркетинговыми и аналитическими инструментами. Это всего лишь несколько примеров DMP, которые доступны на рынке.

Средства сборки документов — это программные приложения, которые предназначены для создания документов на основе шаблонов и входных данных. Примерами подобных приложений являются HotDocs, Adobe LiveCycle, XpressDox, Documate. Они используются для слияния данных и интеграции с другими бизнес-приложениями.

Существуют различные инструменты и системы, которые можно использовать для автоматизации отслеживания и управления регуляторными процессами. Эти инструменты могут помочь обеспечить своевременное обновление представленных материалов и оперативное решение возникающих при этом проблем и вопросов (табл. 10).

Таблица 10. Программные приложения для автоматизации отслеживания и управления регуляторными процессами

Название	Использование
Системы отслеживания представлений	Для отслеживания статуса поданных заявлений и управления процессом их рассмотрения. Включают такие функции, как обновления состояния отправки, управление документами и средства совместной работы
Системы управления рабочими процессами	Для автоматизации и оптимизации бизнес-процессов, включая процесс представления регуляторных документов, для отслеживания состояния представлений, управления процессами рассмотрения и обеспечения своевременного выполнения задач
Инструменты управления проектами	Для планирования, отслеживания и управления проектами, для управления выводом нового ЛП на рынок путем создания и отслеживания задач, установления сроков и мониторинга прогресса

Существуют различные инструменты и системы, которые могут быть использованы для автоматизации постоянного мониторинга и оценки безопасности, эффективности и качества продаваемых ЛС (табл. 11).

Таблица 11. Системы для автоматизации послепродажного мониторинга

Название	Использование
Системы отчетности о неблагоприятных событиях	Для сбора, отслеживания и анализа сообщений о неблагоприятных событиях, связанных с ЛС. Включают в себя такие функции, как инструменты анализа данных, оповещения и интеграция с другими базами данных
Системы управления рисками	Для выявления, оценки и управления рисками, связанными с ЛС, для мониторинга данных фармаконадзора и выявления потенциальных рисков или проблем, которые могут потребовать дальнейшей оценки или действий
Инструменты анализа данных	Для сбора, анализа и визуализации данных из различных источников, для мониторинга и выявления тенденций или моделей, которые могут указывать на потенциальные риски или проблемы

Инструменты цифровой трансформации российских фармацевтических компаний в условиях импортозамещения

В данном разделе приведены основные классы программного обеспечения, внедрение которых целесообразно в рамках цифровой трансформации фармацевтических предприятий Российской Федерации. Изучение программных решений, представленных в рамках импортозамещения зарубежных аналогов, позволило отобрать наиболее релевантные продукты в рамках данных категорий.

ERP-система интегрирует все базовые процессы, необходимые для управления компанией (такие как финансы, управление персоналом, производство и цепочки поставок) в единую систему. В ERP-системах применяются технологии ИИ, что позволяет управлять большими данными и обрабатывать их, а также анализировать для принятия решений на их основе. Цифровая трансформация фармацевтической компании на базе системы ERP, кроме базовых функций бухгалтерского и управленческого учета, позволяет оптимизировать управление ценообразованием, контролировать движение денежных средств, оборачиваемость активов и капитала, выявлять наиболее комфортных для дальнейшего сотрудничества контрагентов, а также управлять сбытом и цепочками поставок.

1С: ERP Управление предприятием 8 — решение для создания комплексной информационной системы управления деятельностью любого предприятия.

Система Галактика ERP — составная часть комплекса бизнес-решений корпорации «Галактика». Система адресована средним и крупным предприятиям для информационной поддержки задач стратегического планирования и оперативного управления.

БОСС-Компания — универсальная система автоматизации задач, возникающих на всех стадиях управления ресурсами предприятий и организаций любого масштаба и организационно-правовой формы собственности.

ТУРБО ERP — комплексная информационная система, которая позволяет управлять финансами, цепочками поставок, персоналом, документооборотом, производством.

NERPA ERP Система — это модульная ERP-система управления ресурсами предприятия. Система использует локальный сервер предприятия или облачное решение для хранения и обработки данных, предоставляя пользователям Web-интерфейс для компьютеров и мобильных устройств.

AVARDA.ERP — ERP-система для комплексной автоматизации торговых компаний. Функциональность системы позволяет автоматизировать оптовое и розничное направления торговли. Имеет модули для автоматизации торгово-складской, производственной, финансовой и управленческой деятельности торговых компаний.

Система СПМ (Lean ERP SCMo) — предназначена для управления основной производственно-логистической деятельностью сложных промышленных предприятий.

Монолит.ERP — комплексное, интегрированное масштабируемое решение, позволяющее управлять ресурсами и моделировать реальные бизнес-процессы практически любой сложности.

Внедрение ERP-системы является одним из наиболее затратных этапов цифровой трансформации как с точки зрения объема работ, так и вовлечения сотрудников подразделений компании. В большинстве случаев фармацевтические компании уже используют то или иное решение. Большое разнообразие систем отечественной разработки позволяет выбрать оптимальный продукт для импортозамещения в зависимости от специфики работы конкретной организации, но немаловажную роль будет играть разработанная и структурированная система перехода на отечественное программное обеспечение.

Чтобы эффективно использовать данные, нужны передовые аналитические инструменты, использующие алгоритмы машинного обучения и ИИ, позволяющие получать точные и полезные аналитические данные и отчеты.

Для фармацевтических компаний особый интерес вызывает анализ рынка, предоставляемый системой аналитики, основанный на внешних рыночных данных.

Анализ продаж включает в себя мониторинг эффективности продаж и отслеживание поведения потребителей для выявления сезонного спроса, товаров с медленным оборотом, аномалий и многого другого.

Оперативный анализ позволяет фармкомпаниям получать ценную информацию о бизнес-операциях, контролировать в реальном времени операционные и капитальные расходы. Программное обеспечение может определить общие области, которые компаниям необходимо улучшить.

Анализ клинических данных работает с доступной информацией из клинических исследований, извлекая ценные сведения и визуализируя их в интерактивном режиме.

Алмаз BI — самообучающийся интеллектуальный мониторинг качества и выявления аномалий в корпоративных хранилищах, потоках данных реального времени, производственных процессах, а также операционной деятельности.

Naumen Business Intelligence — это информационно-аналитическая система по оперативному контролю и поддержке принятия управленческих решений.

Motiware Melody One — решение для быстрой разработки и внедрения корпоративных веб-приложений с учетом индивидуальных требований.

Внедрение облачной среды хранения данных позволяет внедрить общие практики работы с документами для всех сотрудников фармацевтической компании и отказаться от бумажных документов для внутреннего документооборота, заменив их ссылками на электронные документы, хранящиеся в облаке. Но не стоит забывать: если в облачном сервисе происходит обработка персональных данных, то обязательным требованием Федерального закона «О персональных данных» от 27.07.2006 № 152-ФЗ является разработка схемы обмена данными и защита информации.

Применение облачной среды позволяет упростить организацию удаленных рабочих мест, что особенно актуально не только в условиях пандемии, но и при найме сотрудников из любой точки мира.

Развитие искусственного интеллекта неразрывно связано с большими данными. Накопление информации позволяет обучать системы на основе искусственного интеллекта. Чем больше использованный объем данных, тем выше точность работы системы на новой информации. Таким образом, можно говорить о симбиозе больших данных и искусственного интеллекта как основе для цифровой трансформации бизнеса, подразумевающей работу на основе предиктивной аналитики и поддержки принятия решений.

ML Space — это облачная платформа полного цикла разработки и реализации ИИ-сервисов для бизнеса любого размера. Она содержит все необходимые инструменты и ресурсы для создания, обучения и развертывания моделей машинного обучения — от быстрого подключения к источникам данных до автоматического развертывания обученных моделей на динамически масштабируемых высокопроизводительных мощностях SberCloud.

Платформа на основе искусственного интеллекта AiLine позволяет разработать, развернуть и запустить в эксплуатацию цифрового двойника промышленного предприятия.

Цифровой двойник (англ. Digital Twin) — это программный аналог процесса, моделирующий его течение в условиях воздействий помех и окружающей среды. Цифровой двойник строится на основании анализа данных с датчиков (сенсоров) с использованием машинного обучения. Решение позволяет предприятию быстрее обнаруживать физические проблемы, предсказывать результаты технологических процессов, повышать качество продукции и, конечно, снизить влияние человеческого фактора.

Одна из реализаций IoT на практике при цифровой трансформации — это журналирование данных с различных считывающих устройств, датчиков, сенсоров.

Это позволяет создать систему, предупреждающую о вероятности появления неполадок с оборудованием, нарушений тех или иных бизнес-процессов, и провести необходимые превентивные профилактические мероприятия для их предотвращения. Такой анализ может проводиться в автоматизированном режиме, за счет применения решений на основе искусственного интеллекта.

Платформа частного облака — это программная экосистема для сбора, хранения и обработки больших массивов данных. Она создана для обработки разнородной информации — данных автоматизированных систем управления технологическими процессами (АСУ ТП), компонентов интернета вещей (IoT), статистики продаж, профилей клиентов, видео- и аудиопотоков. Платформа позволяет использовать ресурсы вычислительных систем для решения широкого спектра задач, связанных с увеличением эффективности производственных процессов, стимуляцией процесса продаж, информационной и производственной безопасностью.

Программная платформа промышленного интернета вещей DataMist предназначена для сбора данных с устройств — сенсоров и датчиков различных типов, обеспечения передачи потоковых данных в облако, управления устройствами, а также предварительной обработки и граничного анализа данных. Программное обеспечение DataMist поддерживает высокоскоростные, беспроводные интерфейсы передачи данных и позволяет обрабатывать данные с нескольких сотен сенсоров, обеспечивая передачу нескольких десятков миллионов измерений в сутки на одном объекте. Основной задачей программного обеспечения является автоматический мониторинг реальных физических процессов на объекте и решение задач, связанных с оптимизацией затрат, оценкой продуктивности, эффективности организации производства, охраны труда и здоровья персонала.

SOLUT — это проект в сфере индустриального интернета вещей, направленный на анализ эффективности использования рабочего времени сотрудниками. Система мониторинга физического труда SOLUT повышает производительность труда рабочих специальностей путем создания ИИ-моделей распознавания, отслеживающих процент полезной работы, выполняемой рабочими.

Octava представляет собой информационную систему для разработки и операционного управления процессами при создании и внедрении роботизированных процессов автоматизации с использованием программных интерфейсов (API) или языка сценариев. Платформа позволяет запускать роботов по запросу или по расписанию, выдавать оператору результат об успешно пройденных или сорванных операциях. Система повышает эффективность исследований в области машинного обучения и ИИ, тестирования и отладки различных сервисов. Взаимодействие с платформой происходит через API.

Программа для роботизированной автоматизации процессов Rbot — это программа, которая выполняет рутинные операции (например, формирование отчетов, сверку документов, анализ данных о работоспособности оборудования и пр.) вместо сотрудника, выполняя те же действия, что и человек, но быстрее, точнее и дешевле.

Необходимо отметить, что задачи импортозамещения актуальны не только для специализированного программного обеспечения, отражающего специфику работы фармацевтических предприятий, но и для общего программного обеспечения.

К ним относятся офисные пакеты для работы с документами, например в рамках импортозамещения могут быть предложены системы «Р7-Офис» и «МойОфис».

Операционные системы представлены на рынке рядом систем на основе Unix-подобных операционных систем на базе ядра Linux, например Astra Linux, Ред ОС, Альт Linux, Rosa. Системы управления электронным документооборотом и корпоративным архивом.

Например, LanDocs, DocsHouse, Делис Архив. Системы видео-конференц-связи, такие как «Майнд» и TrueConf. Системы корпоративных коммуникаций Communigate Pro, корпоративная почта Mailon, VK WorkMail и другие решения.

В настоящее время экономические факторы делают особенно актуальным повышение эффективности работы предприятия за счет совершенствования управления, автоматизации бизнес-процессов, исключения простоя, оптимизации загрузки сотрудников и технологических мощностей.

Информатизация фармацевтического производства

Информационные системы управления технологиями производства широко используются в производстве ЛС для повышения эффективности и качества.

Цифровые автоматические и полуавтоматические линии позволяют сократить численность персонала, увеличить объемы производства и повысить стандарты качества производимого продукта. Автоматизация рутинных операций и сбор точных данных о работе оборудования повышают производительность труда и снижают количество ошибок, вызванных человеческим фактором.

Структура фармацевтического предприятия состоит из функциональных подразделений, часто удаленных друг от друга.

Централизованное управление их согласованной деятельностью, ежедневное общение и взаимодействие, передача информации — важнейшая задача, отвечающая требованиям необходимых стандартов с точки зрения обеспечения качества фармацевтического продукта.

Эти вопросы решаются с помощью внедрения ИТ-решений, обеспечивающих сбор и анализ информации, необходимой для принятия обоснованных управленческих решений и осуществляемых на основе современных компьютерных технологий и современных средств связи.

Основными направлениями использования информационных технологий в современном производстве являются:

• автоматизация документооборота;
• деловые коммуникации;
• управление производственными процессами;
• автоматизация учета и планирования;
• формирование управленческих решений;
• автоматизация банковских операций;
• сбор и получение установленной и современной научно-технической информации;
• создание автоматизированных рабочих мест.

Технические средства внедрения информационных технологий. Использование информационно-коммуникационных технологий дает преимущества предприятию при решении внутренних задач и при взаимодействии с клиентами и поставщиками. Для успешного функционирования фармацевтического предприятия необходимо объединить технические средства в единую информационную систему организации. Основными техническими средствами внедрения информационных технологий являются персональные компьютеры и терминалы доступа, которые объединены в локальную сеть внутри организации, куда также входят печатающие устройства, копировальные аппараты и необходимые периферийные устройства.

Внедрение компьютеризированных систем не является финансово обременительным по сравнению с теми выгодами, которые получает производство в результате их функционирования. Грамотно выстроенная система легко усваивается персоналом, однако всегда должна существовать возможность доработки системы в случае появления дополнительных требований.

Компьютеризированная система фармацевтического предприятия включает в себя ряд подсистем, выполняющих определенные функции (см. рис. 10).

Компьютеризированная система фармацевтического предприятия

Валидация и квалификация компьютеризированных систем. Учитывая особую ответственность персонала за качество продукта, важным моментом является правильное функционирование всех компьютерных систем.

Управление рисками должно применяться на протяжении всего жизненного цикла компьютеризированной системы, чтобы обеспечить безопасность пациентов, целостность данных и качество ЛС. В рамках системы управления рисками решения о масштабах валидационных испытаний и контроля целостности данных должны основываться на обоснованной и документированной оценке рисков компьютеризированной системы.

Весь персонал должен обладать необходимой квалификацией, уровнем доступа и определенными полномочиями для выполнения возложенных на него обязанностей. Компетентность и надежность поставщиков являются ключевыми условиями выбора программного продукта или услуги.

Валидация компьютеризированных систем осуществляется на этапах проектирования и эксплуатации.

Проверочная документация и отчеты должны охватывать соответствующие этапы жизненного цикла компьютеризированной системы. Термин «жизненный цикл» относится ко всем этапам существования компьютеризированной системы от формирования первоначальных требований до прекращения эксплуатации, включая проектирование, определение технических требований, программирование, тестирование, монтаж, эксплуатацию и техническое обслуживание.

На этапе эксплуатации валидация компьютеризированных систем включает в себя:

• правильный и безопасный ввод и обработку данных;
• точность ввода данных вручную, хранение данных;
• создание записей обо всех существенных изменениях и удалениях (система, создающая «контрольные следы»);
• контроль изменений и конфигурации.

Требования к целостности данных. Компьютеризированные системы должны периодически оцениваться, чтобы подтвердить, что они остаются в проверенном состоянии и соответствуют требованиям.

Должен быть проведен контроль доступа к компьютеризированной системе только лицам, имеющим на это право. Во избежание несанкционированного доступа к системе используются средства управления, которые могут основываться на использовании ключей, карт доступа, персональных кодов с паролями, биометрических данных, ограничений доступа к компьютерной технике и зонам хранения данных.

Все инциденты (непредвиденные обстоятельства), включая системные сбои и ошибки данных, должны регистрироваться и оцениваться. Необходимо установить первопричину критических сбоев и использовать эту информацию в качестве основы для корректирующих и предупреждающих действий.

Электронные подписи в рамках организации должны иметь то же значение, что и собственноручные подписи, быть неразрывно связаны с соответствующими записями и включать время и дату их доставки.

Если для регистрации процедуры утверждения серий используется компьютеризированная система, она предоставляет доступ к выпуску серий только уполномоченному лицу и четко идентифицирует и регистрирует уполномоченное лицо, которое утвердило и выпустило серию.

Для обеспечения работоспособности компьютеризированных систем, сопровождающих критические процессы, должны быть приняты меры предосторожности для обеспечения непрерывной поддержки этих процессов в случае сбоя системы (например, с использованием ручной или альтернативной системы).

Данные должны архивироваться. Эти данные должны быть проверены на доступность, удобочитаемость и целостность. Решения о масштабах валидационных испытаний и контроля целостности данных должны основываться на обоснованной и документированной оценке рисков компьютеризированной системы.

Процессно-аналитическая технология. Процессно-аналитическая технология (англ. Process analytical technology; PAT) позволяет производителям контролировать технологические процессы предприятия.

PAT включает в себя мониторинг, анализ и логирование работы технологического оборудования в режиме реального времени, поскольку PAT осуществляет не только контроль критических производственных параметров, но и внутренние показатели процесса в режиме онлайн.

Постоянный мониторинг технологического процесса исключает необходимость принятия решительных мер в случае непредвиденных искажений процесса и поступления некачественного продукта, дает полную информацию о процессе в любой момент времени, обеспечивает понимание процесса и статистический контроль. Дополнительная информация и диаграммы PAT используются для составления отчета о продукте.

В фармацевтической промышленности данный подход является основой выпуска ЛП по параметрам. Технологии PAT направлены на высокое качество продукта и экономию средств, так как дешевле корректировать работу оборудования в процессе производства, чем отбраковывать некачественный продукт.

Цифровые платформы, обеспечивающие прослеживаемость движения фармацевтических продуктов

Вопросы реализации цифровой повестки ЕАЭС на долгосрочный период определены в решении Высшего Евразийского экономического совета от 11 октября 2017 г. № 12 «Об Основных направлениях реализации цифровой повестки Евразийского экономического союза до 2025 г.», которое предусматривает цели, принципы, задачи, направления и механизмы сотрудничества государств — членов ЕАЭС. Одними из основных приоритетов проработки инициатив в рамках реализации цифровой повестки обозначены цифровая прослеживаемость движения товаров, услуг и цифровых активов, а также цифровая торговля Союза.

Одним из начальных этапов создания цифровой платформы прослеживаемости ЕАЭС является создание национальных систем стран-участниц.

Интеграция национальных систем маркировки и прослеживаемости товаров позволяет обеспечить прозрачность процесса перемещения товаров от производителей до конечных потребителей и практически полностью исключить риск реализации контрафактных и фальсифицированных товаров на пространстве ЕАЭС.

В дальнейшем Соглашением о механизме прослеживаемости товаров, ввезенных на таможенную территорию Евразийского экономического союза, заключенным в г. Нур-Султане 29 мая 2019 г., предусмотрено создание модели национальной системы прослеживаемости, определены основные правила и требования к созданию и функционированию национальных систем прослеживаемости государств — членов ЕАЭС, а также предусмотрен механизм прослеживаемости товаров, рассматриваемый как функционирование системы путем обмена сведениями из национальных систем прослеживаемости в целях контроля за оборотом товаров на таможенной территории ЕАЭС.

Обмен сведениями из национальных систем прослеживаемости обеспечивается путем использования интегрированной системы ЕАЭС.

Решением Совета ЕЭК № 108 от 27.09.2023 «О маркировке лекарственных препаратов средствами идентификации» установлено, что при введении маркировки на территории двух и более государств — членов Евразийского экономического союза, ими обеспечивается взаимное признание средств идентификации.

• минимальный состав сведений о лекарстве, к которым предоставляют доступ потребителям и иным лицам.

В Перечень товаров, которые нужно маркировать, вошли следующие группы ЛС:

• кровь и фракции крови;
• сыворотки иммунные;

Минимальный состав сведений для потребителей содержит 8 позиций, среди них:

• глобальный номер торговой единицы;
• индивидуальный серийный номер единицы товара;
• наименование и МНН товара;
• сведения о товаре (номер серии, срок годности, лекарственная форма, дозировка, вид упаковки и др.);
• статус препарата.

Взаимодействие в рамках трансграничной торговли между государством — членом ЕАЭС, на территории которого введена маркировка, и государством — членом ЕАЭС, на территории которого маркировка не введена, осуществляется в порядке, установленном законодательством государства — члена ЕАЭС, на территории которого введена маркировка, и вышеуказанным решением.

В Российской Федерации с 2017 года начался эксперимент, а с 2020 года создана и функционирует система мониторинга движения ЛП — федеральная государственная информационная система движения ЛП для медицинского применения (ФГИС МДЛП). Внедрение данной системы имеет большое значение для снижения объема в обороте фальсифицированных ЛП, обеспечивая прослеживание ЛП от производителя до конечного потребителя с использованием средств идентификации.

Правила прослеживаемости ЛП и их обязательной маркировки средствами идентификации утверждены Положением о системе мониторинга движения ЛП для медицинского применения, утвержденным Постановлением Правительства РФ от 14 декабря 2018 г. № 1556. Согласно Положению в сфере оборота ЛП в РФ применяется единая модель маркировки ЛП средствами идентификации и прослеживаемости, которая основывается на подходе и общих правилах, содержащихся в нормативных правовых актах об общей системе обязательной маркировки и прослеживаемости основных групп товаров потребительского назначения.

Установленные Положением № 1556 правила распространяются на все юридические лица и всех индивидуальных предпринимателей, которые осуществляют производство, хранение, ввоз в Российскую Федерацию, отпуск, реализацию, передачу, применение и уничтожение лекарственных препаратов. В ФГИС МДЛП автоматизированы все основные процессы и действия:

• регистрация участников оборота ЛП в системе;
• получение и регистрация сведений о действиях, выполняемых в рамках процесса ввода в оборот ЛП, в процессе оборота, а также вывода ЛП из оборота;
• блокирование сведений об обороте фальсифицированных, контрафактных и недоброкачественных ЛП;
• осуществление функций контроля и оперативного выявления возможных нарушений при регистрации сведений в ФГИС МДЛП и др.

Юридически значимые действия в системе осуществляются путем обмена электронными документами, подписанными усиленной квалифицированной электронной подписью. Для реализации системы разработана система маркировки «Честный знак», оператором которой с 1 ноября 2018 года является Центр развития перспективных технологий (ЦРПТ).

Положением о системе мониторинга лекарственных препаратов для каждого из субъектов обращения ЛС установлены определенные обязанности по внесению информации об ЛС в систему с установлением определенных сроков.

Производитель на первом этапе передает на центральный сервер подробную информацию о продукте, регистрируя каждую позицию. В ответ он получает пакет кодов, которые содержат ссылку на номер ЛП в базе данных и на сервере верификации. Каждому элементу присваивается свой собственный штрихкод DataMatrix, который наносится на каждую упаковку. Количество произведенного и маркированного продукта представляется в ФГИС МДЛП. Таким образом, надзорный орган может отслеживать, когда и сколько наименований выпускает производитель.

Перечень информации, представленной в описании ЛС, приведен в приложении № 2 к Положению о системе мониторинга движения ЛС для медицинского применения, утвержденному Постановлением Правительства РФ от 14 декабря 2018 г. № 1556. Основные позиции маркировки согласно Положению:

• торговое наименование ЛС для медицинского применения;
• бренд (товарный знак);
• регистрационный номер ЛС;
• дата государственной регистрации ЛС;
• наименование владельца или держателя регистрационного удостоверения ЛС;
• адрес владельца или держателя регистрационного удостоверения ЛС;
• международное непатентованное наименование ЛС;
• лекарственная форма;
• количество единиц измерения дозировки;
• вид вторичной (потребительской) упаковки (в случае ее отсутствия — первичная упаковка ЛС);
• материал вторичной (потребительской) упаковки ЛС (в случае ее отсутствия — первичная упаковка ЛС);
• количество (мера) ЛС во вторичной (потребительской) упаковке ЛС (при ее отсутствии — в первичной упаковке ЛС);
• наличие немаркированной первичной упаковки ЛС внутри вторичной (потребительской) упаковки ЛС (при наличии вторичной (потребительской) упаковки ЛС);
• описание немаркированной первичной упаковки ЛС, заключенной во вторичную (потребительскую) упаковку ЛС;
• наименование упаковщика (фасовщика) (заполняется в случае упаковки (фасовки) на территории Российской Федерации);
• адрес упаковщика (фасовщика) во вторичной (потребительской) упаковке ЛС (при ее отсутствии — первичная упаковка ЛС) (заполняется в случае упаковки (фасовки) на территории Российской Федерации).

Далее система регистрирует информацию о продажах: наименование ЛП, покупателя, цену отгрузки.

ЛП доставляются с завода на склад дистрибьютора, этот шаг также записывается в информационную систему ФГИС МДЛП благодаря сканированию QR-кода. Дистрибьюторы регистрируют в ФГИС МДЛП продукт, полученный от производителя, и, соответственно, данные о реализации.

Аптечные и медицинские организации также регистрируют в ФГИС МДЛП лекарственные препараты, полученные от производителя или дистрибьютора, и вносят информацию о продажах. Также организации регистрируют в системе описание ЛС и отпуска ЛП на бесплатных и льготных условиях.

Таким образом, ФГИС МДЛП располагает информацией о передаче каждой упаковки ЛП дистрибьютору, аптеке или медицинской организации, а также информацией о том, когда ЛП был приобретен покупателем.

Информация, содержащаяся в средствах идентификации, имеет следующую структуру, утвержденную Постановлением Правительства РФ от 14 декабря 2018 г. № 1556 «Об утверждении Положения о системе мониторинга движения лекарственных препаратов для медицинского применения». Признак символики GS1 DataMatrix — символ, имеющий код 232 в таблице символов ASCII (англ. American Standard Code for Information Interchange — Американский стандартный код для обмена информацией):

• первая группа данных — глобальный идентификационный номер торговой единицы, состоящий из 14 цифровых символов, которому предшествует идентификатор приложения;
• вторая группа данных представляет собой индивидуальный серийный номер торговой единицы, состоящий из 13 символов числовой или буквенно-цифровой последовательности (латинского алфавита), которому предшествует идентификатор приложения. Последним символом для этой группы данных является специальный символ-разделитель, имеющий код 29 в таблице символов ASCII;
• третья группа данных — проверочный ключ, предоставляемый эмитентам средств идентификации оператором системы мониторинга в составе проверочного кода, состоящий из 4 символов (цифр, строчных и прописных букв латинского алфавита), которому предшествует идентификатор применения. Последним символом для этой группы данных является специальный символ-разделитель, имеющий код 29 в таблице символов ASCII;
• четвертая группа данных — значение кода проверки, предоставляемое эмитентом средств идентификации оператором системы мониторинга в составе кода проверки, которому предшествует идентификатор применения (92), и состоящее из 44 символов (цифр, строчных и прописных букв латинского алфавита, а также специальных символов).

Дополнительно по усмотрению эмитента средств идентификации допускается включение в состав двумерного штрихкода следующих данных до третьей и четвертой групп данных:

• пятая группа данных — номер партии ЛС, состоящий не более чем из 20 символов числовой или буквенно-цифровой последовательности (латинского алфавита), которому предшествует идентификатор заявки. Последним символом для этой группы данных является символ разделителя, имеющий код 29 в таблице символов ASCII;
• шестая группа данных — это дата истечения срока действия, которой предшествует идентификатор приложения. Запись цифровых символов для срока годности ЛС состоит из 6 символов в формате «год — месяц — день» («ГГ.ММ.ДД»).

В случаях, когда точное значение срока годности в днях («ДД») не установлено на дату изготовления, эмитент средства идентификации указывает значение даты за первое или последнее число месяца в соответствии с датой истечения срока годности, утвержденной документацией на ЛП.

Требования к последовательности групп данных в структуре средств идентификации предъявляются к первой группе данных, которая всегда должна располагаться в начале последовательности средств идентификации, а также к третьей и четвертой группам данных, которые располагаются в конце.

Индивидуальный порядковый номер торговой единицы формируется с учетом ее уникальности для каждого глобального идентификационного номера торговой единицы в течение всего периода работы системы мониторинга.

Глобальный идентификационный номер торговой единицы и индивидуальный серийный номер торговой единицы дублируются в виде читаемого печатного текста.

Система МДЛП взаимодействует со следующими информационными системами:

а) единый реестр лицензий на производство ЛС;

б) единый реестр лицензий, в том числе лицензий, выданных органами государственной власти субъектов Российской Федерации в соответствии с переданным полномочием по лицензированию отдельных видов деятельности в сфере охраны здоровья;

в) единая государственная информационная система в сфере здравоохранения;

г) единый государственный реестр юридических лиц;

д) единый государственный реестр индивидуальных предпринимателей;

е) государственный реестр аккредитованных филиалов, представительств иностранных юридических лиц;

ж) автоматизированная информационная система Федеральной службы по надзору в сфере здравоохранения;

з) Единая автоматизированная информационная система таможенных органов;

и) информационные системы субъектов обращения лекарственных средств.

Каждая упаковка ЛП, вводимого в обращение, маркирована DataMatrix-кодом, который используется для маркировки ЛП.

Код DataMatrix в общем случае представляет собой двумерный матричный штрихкод, представляющий собой черно-белые элементы или элементы нескольких различных степеней яркости, обычно в форме квадрата, размещенные в прямоугольной или квадратной группе.

Код DataMatrix лекарственного препарата содержит в себе криптозащищенный код маркировки и визуально представляет собой двухмерный матричный код, разделенный на 4 одинаковые зоны.

Отличительными чертами кода DataMatrix от привычного QR-кода является отсутствие 3 квадратов по углам изображения и наличие L-образной линии по правой и нижней границам. Пример для сравнения представлен на рис. 11.

Упаковка лекарственного средства с маркированным DataMatrix кодом

Рис. 11

Код DataMatrix, нанесенный на упаковку лекарственного препарата, имеет размерность 36 x 36 модулей и содержит в себе информацию о коде маркировки лекарственного препарата, и включает 4 группы данных:

1. глобальный идентификационный номер торговой единицы (GTIN), состоящий из 14 цифровых символов;

2. индивидуальный серийный номер торговой единицы, состоящий из 13 символов (цифровой или буквенно-цифровой последовательности);

3. ключ проверки, предоставляемый оператором системы, состоящий из 4 символов (цифровой или буквенно-цифровой последовательности);

4. значение кода проверки, состоящее из 44 символов (цифровой или буквенно-цифровой последовательности).

DataMatrix-код предназначен для кодирования текста или других видов информации в соответствии с международным стандартом ISO/IEC16022 «Информационная технология — Методы автоматической идентификации и сбора данных — спецификация символов штрих-кода матрицы данных», а также в соответствии с требованиями и национальными стандартами Российской Федерации: ГОСТ Р ИСО/МЭК 16022-2008 «Автоматическая идентификация. Штрихкодирование. Спецификация символики Матрица данных», который утвержден Приказом Федерального агентства по техническому регулированию и метрологии от 18 декабря 2008 г. № 509-ст.

Внедрение системы МДЛП дает многие преимущества различным субъектам обращения ЛП. Так, благодаря системе на государственном уровне существует возможность:

• выявлять и исключать из обращения фальсифицированные, недоброкачественные и контрафактные ЛП;
• оптимизировать систему снабжения ЛП аптек и медицинских организаций на основе данных о потребности и наличии ЛП;
• оценивать спрос и формировать необходимые запасы;
• контролировать поступление налогов в бюджет;
• не допускать перепродажи дорогостоящих ЛП из числа тех, которые выделяются государственным медицинским организациям.

Производители в результате внедрения системы имеют доступ к статистическим данным о продажах от дистрибьюторов, в том числе по регионам, что исключает затраты на покупку этой информации у дистрибьюторов. Данные о продажах могут использоваться для оптимизации производственных планов и снижения затрат на маркетинг, в результате чего возможно снижение себестоимости продукции. Для аптек внедрение системы МДЛП гарантирует получение только официально произведенных лекарственных препаратов и делает невозможной незаконную продажу ЛП с истекшим сроком годности, а также списанных в медицинских организациях ЛП.

Пациенты, уже находящиеся в аптеке, перед покупкой ЛП могут проверить его подлинность, а также получить информацию о нем, воспользовавшись бесплатным мобильным приложением «Честный знак» или сканером, установленным в аптеке. По сути, маркировку можно рассматривать как основу для цифрового развития всей системы здравоохранения и лекарственного обеспечения страны.

Базовыми понятиями в вопросах идентификации и прослеживаемости являются сериализация и агрегация.

Сериализация — это процесс присвоения уникального идентификатора каждой упаковке товара, который позволяет отслеживать ее на протяжении всей цепочки поставок — от производства до продажи конечному потребителю.

Сериализация ЛС включает в себя:

• сериализацию вторичных упаковок (пачек), каждая из которых имеет свой уникальный номер;
• сериализацию коробок, каждая из которых содержит определенное количество единиц упаковок ЛС. Каждая упаковка в коробе маркируется в соответствии с серийным номером коробки;
• сериализацию палеты, содержащей несколько коробок. Каждая коробка имеет свой идентификационный код и в то же время связана с общей палетой. Схематически сериализация изображена на рис. 12.

Фармацевтическая сериализация

Рис. 12

Для сериализации производители используют различные носители информации: штрихкоды 2D DataMatrix, EPC-коды (англ. Electronic Product Code) с радиочастотной идентификацией и комбинации кодов.

Сериализация основана на взаимодействии и обмене данными между системами, используемыми участниками цепочки поставок.

Помимо защиты бренда и снижения рисков попадания в продажу контрафактной продукции, сериализация выполняет ряд важных функций: контроль стоимости ЛС, обобщение и получение логистических данных (получение, возврат, выведение и т.д.), возможность отследить каждую упаковку товара, мониторинг экономических показателей. Последнее служит источником данных для оптимизации процессов на этапах производства и логистики.

Агрегация — объединение экземпляров готовой продукции в групповую упаковку, как правило, гофрокороба со штрихкодом стандарта GS1. Это включает идентификацию упаковочной системы, короба, палеты с присвоением серийного номера. Идентификационные данные должны состоять из 20 специальных символов. Стандарт GS1 обеспечивает обмен данными и прослеживаемость движения товаров.

Основное отличие между агрегацией и сериализацией заключается в масштабе применения. Сериализация применяется на уровне отдельных товаров, тогда как агрегация управляет группами сериализованных товаров. Это два взаимодополняющих процесса, которые вместе обеспечивают эффективное управление цепочками поставок.

Global Standard One (GS1) — независимая некоммерческая организация, которая занимается стандартизацией учета и штриховым кодированием логистических единиц. В мировом товарообороте существуют единые коды GTIN, GLN, SSCC — их предоставляет GS1.

Идентификационные коды GS1 являются оригинальными для каждого этапа движения ЛП, его местонахождения, от производителя к покупателю. Фармацевтические идентификаторы GS1 включают:

• GTIN (Global Trade Item Number) — уникальный международный код маркировки и учета логистических единиц, позволяющий идентифицировать как минимум производителя, торговое наименование ЛП, лекарственную форму, дозировку ЛС и комплектность упаковки ЛП. Разработан и поддерживается GS1. Предложен для замены американского UPC и европейского EAN. Если в GTIN 13 знаков, то в системе маркировки «Честный знак» для ЛП добавляется 0 (ноль) в начало. Таким образом, формируется 14-значное число, используемое в системе маркировки. Например: 04601669003799;
• SGTIN (Serialized GTIN) — это уникальная идентификационная кодовая информация вторичной (потребительской) упаковки. Позволяет сформировать индивидуальные идентификаторы для каждой единицы фармпродукции. Он представляет собой уникальную комбинацию GTIN (14 знаков) и дополнительного серийного номера (13 символов); всего 27 знаков. SGTIN является регистрозависимым значением в системе маркировки, и при написании одного и того же кода большими и маленькими символами это будут два разных кода маркировки;
• SSCC (Serial Shipping Container Code) код — это серийная кодовая информация транспортной упаковки. Благодаря ей происходит идентификация не отдельного товара, а всей отправленной партии. Код используется при сериализации ящиков, палет, контейнеров и содержит 18 знаков. Например: 384120154135995499.

Во ФГИС МДЛП сохраняется информация о взаимосвязи КИЗ (контрольных идентификационных знаков), нанесенных на потребительские упаковки ЛП (в случае отсутствия потребительских на первичных упаковках) с групповым кодом третичной (транспортной) упаковки ЛП создаваемой групповой упаковки.

Обязательная агрегация — это специфика оборота маркированных ЛП в России. Агрегация — это определенная иерархия, статус которой — существенная часть отчетности в МДЛП. Под статусом агрегации понимаем состояние привязки КИЗ к SSCC-кодам, отвязки определенных КИЗ, появление новых SSCC и так далее. Участие в отчетности представителей цепочек поставок, связывающих инициатора эмиссии (иностранных и российских фармпроизводителей маркированных лекарств) и инициатора выбытия маркированных ЛП (аптечные и медицинские организации), — в этом заключается главное отличие в обороте маркированных лекарственных препаратов на территории РФ от других стран.

Европейское Сообщество идет по упрощенному варианту, оно ограничилось только сериализацией, понятие агрегации там не введено. Европейский производитель просто наносит первичный код на потребительскую упаковку, и больше ничего не требуется. Никаких требований по агрегации и обязательной передаче информации о групповых SSCC-кодах транспортных коробов и палет нет.

Управление холодовой цепью

Рост потребительских рынков и глобализация в логистике повышают требования к используемому оборудованию и информационным технологиям. Транспортное плечо удлиняется, логистическая цепочка усложняется, и в ней появляется все больше дополнительных звеньев — распределительных центров, кросс-доковых площадок. Во время движения грузов возникает необходимость контролировать этапы их транспортировки, где может наблюдаться нарушение температурного режима, что приводит к потере качества товаров, чувствительных к перепадам температур.

В фармацевтической отрасли контроль температур хранения строго регулируется на законодательном уровне, так как несоблюдение норм представляет большую угрозу для здоровья человека и даже жизни.

Когда речь идет о логистике скоропортящихся грузов, основной концепцией является холодовая цепь. Сам термин «холодовая цепь» возник в фармацевтической отрасли и регулирует правила хранения лекарственных препаратов, в основном иммунобиологических.

Холодовая цепь — это комплекс логистических мероприятий по обеспечению постоянной температуры и других параметров, необходимых для правильного обслуживания товара на протяжении всей цепочки его движения — от производства до потребителя. Основными компонентами холодовой цепи, обеспечивающими ее работу, являются прежде всего технологии, которые реализуются с использованием программно-аппаратных комплексов и обученного квалифицированного персонала. Использование оборудования, отвечающего требованиям законодательства к тому или иному типу груза, а также соблюдение правил и ограничений по совместному хранению и транспортировке, является основой холодовой цепи. Несоблюдение этих требований приводит к повреждению груза: сокращению срока его хранения или потере качества и свойств.

Главной гарантией правильной настройки, работы и управления холодовой цепью являются люди. Только квалифицированный персонал, задействованный на всех этапах цепочки, может гарантировать конечную цель поддержания качества груза. При этом определенными навыками должны обладать не только сотрудники производственных и торговых точек, но и персонал, занятый на складах, и представители транспортных компаний. Процессы автоматизации температурной логистики и вопросы управления холодовой цепью становятся все более актуальными, что обусловлено ужесточением законодательства в данной области.

К основным тенденциям автоматизации холодовой цепи можно отнести следующие:

1. Повышение сложности систем управления хранением и транспортировкой грузов (контроль времени и температуры). Переход от использования простых индикаторов к цифровым инструментам — программно-аппаратным комплексам.

2. Снижение влияния человеческого фактора, высокая степень автоматизации процессов, «роботизация» действий персонала.

3. Мониторинг температуры, мобильности, прогностических алгоритмов в режиме реального времени. Онлайн-мониторинг выходит на первый план, заменяя ранее распространенную постфактумную запись температурных нарушений. В процессе автоматизации холодовой цепи также стали важными такие факторы, как мобильность и доступность информации и средств управления, например с помощью мобильного приложения или веб-приложения.

Действия по предотвращению повреждения груза должны начинаться еще до того, как станет возможным негативное воздействие на продукт. Например, с помощью современных цифровых решений персонал склада или диспетчер, отвечающий за перевозку, автоматически получают предупреждения о наступлении предпороговых температур.

В России требования к холодовой цепи регламентированы Постановлением Главного государственного санитарного врача от 28.01.2021 № 4 «Об утверждении санитарных правил и норм СанПиН 3.3686-21 „Санитарно-эпидемиологические требования по профилактике инфекционных болезней“ (СанПиН 3.3686-21, разд. XLVIII), которые распространяются на иммунобиологические ЛП (ИБП).»

Согласно данному документу система холодовой цепи делится на 4 уровня, требующих соответствующих средств автоматизации:

1. Первый уровень — доставка препаратов от организации-производителя до организаций оптовой торговли, включая этап таможенного оформления.

2. Второй уровень — хранение ЛП организациями оптовой торговли ЛС и доставка ЛП до других организаций оптовой торговли ЛС, городских и районных (сельских) аптечных организаций, медицинских организаций, индивидуальных предпринимателей, имеющих лицензию на фармацевтическую или медицинскую деятельность.

3. Третий уровень — хранение ЛП городскими и районными (сельскими) аптечными организациями, медицинскими организациями, индивидуальными предпринимателями, имеющими лицензию на фармацевтическую или медицинскую деятельность, и доставка ЛП до медицинских организаций или их обособленных подразделений или иных организаций, использующих ЛП, а также розничная реализация ЛП.

4. Четвертый уровень — хранение ЛП в медицинских организациях или их обособленных подразделениях, иных организациях, где проводится иммунизация или используются ЛП (см. рис. 13).

Уровни холодовой цепи

Рис. 13

Для сохранения качества скоропортящихся продуктов при транспортировке и хранении используется специальное оборудование. Как правило, оборудование делится на три типа: активное, пассивное и контрольное.

Первый тип активно поддерживает температуру с помощью холодильной установки. Для транспортировки используются кузова рефрижераторных автомобилей, воздушные контейнеры и железнодорожные контейнеры. При хранении и транспортировке с использованием данного вида оборудования максимально сохраняется срок годности, установленный на производственной площадке (см. рис. 14 и 15).

Второй тип оборудования — пассивный. Это изолированные фургоны и вагоны, холодильные цистерны, принцип работы которых заключается в поддержании температурного режима за счет герметичности и теплоизоляционных свойств стеновых материалов.

Комплектация оборудования варьируется в зависимости от вида транспорта — автотранспорта, железнодорожного транспорта.

В первом случае используются изотермические фургоны, фургоны-рефрижераторы, контейнеры-рефрижераторы.

Разработаны сложные цифровые решения, которые консолидируют информацию обо всей цепочке поставок в одном месте и позволяют удаленно контролировать и управлять ею.

Важно отметить, что перепады температур должны быть в определенных коридорах и погрешность измерения может составлять строго от +0,5 °C для фармацевтического продукта.

Для сравнения, у пищевых продуктов этот диапазон шире — до +1 °C.

Для мониторинга холодовой цепи используются различные программные и аппаратные решения. По уровню сложности можно выделить несколько устройств мониторинга холодовой цепи — от простых бумажных термохимических индикаторов до цифровых систем.

Бумажные индикаторы активно используются для мониторинга на 4-м уровне холодовой цепи. Наиболее популярными из них являются электронные тепловые индикаторы WarmMarkTM, ColdMark и LogTag . По сути — это термометры (см. рис. 17).

Электронные тепловые индикаторы

Рис. 18

Третий уровень включает в себя устройства, которые передают данные в режиме онлайн. Они позволяют создать полноценную систему мониторинга и управления процессом доставки. Данный сегмент оборудования отражает наиболее точные значения температурного режима, так как подключается непосредственно к холодильной установке, а также включает в себя дополнительные опции:

• передача телематических данных в режиме реального времени;
• контроль состояния холодильной установки;
• соответствие стандартам СПС.

Этим требованиям отвечают терморегистраторы с передачей данных ThermoFleet, которые подлежат обязательной проверке.

Хранение, транспортировка и оптовая торговля лекарственными средствами

Для сохранения свойств ЛП соблюдение требований к их хранению и транспортировке имеет решающее значение. На этом этапе жизненного цикла участвуют как производители ЛС, так и представители оптового и розничного звена.

Деятельность каждого звена регулируется нормативно-правовыми актами, в том числе стандартами надлежащей практики производства, хранения, транспортировки и реализации ЛС. Все участники данной цепочки несут ответственность за производимый товар, а также за соблюдение установленных условий по транспортировке, хранению и реализации ЛС.

Требования к организации хранения, транспортирования и оптовой торговли ЛС содержатся в следующих нормативных документах:

• решение Совета Евразийской экономической комиссии от 3 ноября 2016 г. № 80 «Об утверждении Правил надлежащей дистрибьюторской практики в рамках Евразийского экономического союза»;
• решение Совета Евразийской экономической комиссии от 3 ноября 2016 г. № 77 «Об утверждении Правил надлежащей производственной практики Евразийского экономического союза»;
• Федеральный закон «Об обращении лекарственных средств» от 12.04.2010 № 61-ФЗ;
• Общая фармакопейная статья ОФС. 1.1.0010 «Хранение лекарственных средств»;
• Приказ Министерства здравоохранения Российской Федерации от 31.08.2016 № 646н «Об утверждении Правил надлежащей практики хранения и перевозки лекарственных препаратов для медицинского применения»;
• Приказ Министерства здравоохранения и социального развития РФ от 23 августа 2010 г. № 706н «Об утверждении Правил хранения лекарственных средств».

Для оптимизации работы фармацевтического склада, экономии площадей, рациональной организации складских операций при обеспечении установленных требований к хранению ЛС внедряются средства информатизации и автоматизации. В автоматизированные складские комплексы входит специфическое оборудование, сложные системы хранения и компьютерные программно-аппаратные средства. Для успешного управления складом в крупных фармацевтических компаниях сегодня активно внедряются высокотехнологичные системы WMS (англ. Warehouse Management System — система управления складом). Это позволяет оптимально распределять грузы по местам хранения, осуществлять быстрый информационный обмен между сотрудниками и внешними системами и службами, своевременно получать результаты инвентаризаций, планировать закупки и отгрузку ЛС исходя из текущих остатков и статистики оборота, в ряде случаев — управлять оборудованием (манипуляторами, транспортными единицами, штабелерами и т.д.). WMS фармацевтического склада предоставляет возможность полноценного отслеживания жизненного цикла ЛП, материалов и сырья, способствует повышению производительности и эффективности грузооборота, снижению затрат.

Программное обеспечение, разработанное с учетом индивидуальных особенностей складского помещения, ассортимента и структуры компании, складского оборудования, обеспечивает быстрый доступ к искомым товарам, оптимальную организацию хранения с контролем выполнения необходимых условий. Автоматизация фармацевтических складов позволяет искать, сортировать и учитывать товары по различным параметрам (сериям и товарным партиям, маркировке «Честный знак», срокам годности, номенклатуре и т.д.).

Спрос требует гибкости от логистической службы. Как правило, вся цепочка поставок реагирует на любые изменения, происходящие на рынке, и появляется все больше промежуточных этапов цепочки:

• распределительные центры;
• кросс-док платформы;
• перевалочные склады.

Однако увеличение количества этапов в цепочке поставок, в свою очередь, приводит к увеличению сложности управления именно этой цепочкой. Решением проблемы является автоматизация отрасли, которая активно осуществляется в настоящее время. Эффективное и устойчивое управление цепочками поставок имеет важное значение для ЛС и других товаров. Для решения этих задач необходимо эффективное управление системой, которое в настоящее время невозможно без хорошо спроектированной информационной системы. Цифровые системы могут поддержать эти усилия, предоставляя в режиме реального времени данные о запасах и логистике, помогая обеспечить плавное и эффективное распределение ЛС.

Информационные системы, объединяющие производителей ЛС, фармацевтических дистрибьюторов, аптечные и медицинские организации, широко распространены и используются всеми участниками фармацевтического рынка. Они позволяют контролировать запасы и своевременно пополнять их, оперативно, на основе электронных документов, проводить подготовительные мероприятия по приемке товарно-материальных запасов. Однако номенклатурные списки в этих информационных системах не стандартизированы, что усложняет интеграцию этих систем в единое информационное пространство.

На этих этапах ведущую роль играют модели управления запасами ЛС, системы складского учета и организации логистики. На практике участники товарно-распределительной цепочки ЛС: производители, дистрибьюторы, аптечные и медицинские организации — самостоятельно обеспечивают информационную поддержку контроля качества реализуемой продукции, для целей которой используются различные информационные системы. Также одной из ключевых задач на данном этапе является отслеживание серий выпускаемой продукции. За счет интеграции в единое информационное пространство с передачей информации о товарных запасах ЛС и их размещении возможна оптимизация информационного взаимодействия субъектов на рынке ЛС и, как следствие, повышение качества лекарственной помощи населению.

Системы, используемые на этих этапах, в значительной степени основаны на информации, генерируемой на этапах разработки и регистрации. Их функционирование, безусловно, должно быть интегрировано в единое информационное пространство. В связи с этим целесообразно кратко описать принципы работы цифровых систем, используемых на последующих этапах.

Качество и своевременность записей и отчетов LMIS оказывают существенное влияние на доступность основных лекарственных средств. Объекты цепочки поставок должны поддерживать качество данных своих инструментов LMIS, а также представлять свои отчеты в установленные сроки, особенно в отношении ЛП, которые являются основными глобальными угрозами общественному здравоохранению и вызывают значительную заболеваемость, смертность, негативные социально-экономические последствия и страдания людей.

Цифровые системы, такие как лабораторные информационные системы управления (LIMS), могут использоваться дистрибьюторами для независимого контроля качества продукции, которую они продают. Кроме того, отслеживание движения выпускаемой продукции является ключевой задачей на данном этапе, а интеграция с единой информационной системой позволяет оптимизировать взаимодействия между различными игроками фармацевтического рынка.

Имеется положительный опыт использования электронных информационных систем управления логистикой для усиления и оптимизации реагирования цепочки поставок во время чрезвычайных ситуаций, в частности во время эпидемии Эболы в 2014 году и COVID-19. Электронные информационные системы управления логистикой в чрезвычайных ситуациях помогли органам здравоохранения принять скоординированные и эффективные ответные меры для обеспечения своевременной доступности товаров и припасов для поддержки реагирования на пандемию COVID-19.

Достаточно широко используются информационные модели и модели алгоритмов управления отдельными функциональными модулями управления дистрибуцией и логистикой поставок фармацевтических предприятий на основе интегрированных информационных систем класса ERP. Разработаны алгоритмы управления закупками лекарственных средств, реализованные с помощью ERP, алгоритмы и информационные модели логистической системы управления запасами на складах фармацевтических компаний.

Предложены алгоритмы, математические и информационные модели для логистической системы управления запасами на складах с лекарственными препаратами на фармацевтических предприятиях.

Аптечные информационные системы

Специфика деятельности аптечных организаций связана с большим количеством законодательных ограничений, широким ассортиментом и высокой частотой заказа. Основными направлениями внедрения информационных технологий в аптечную практику являются:

• закупочная деятельность — полная автоматизация, отсутствие ручного управления, оперативный учет изменений спроса, а также корректировка заказа в зависимости от полноты представленности ассортимента и его остатков на рынке поставщиков;
• логистические процессы — управление транспортом (собственным или наемным) и складскими операциями (грузопереработкой, хранением и пр.);
• ценообразование — автоматизированная система, обладающая гибкой подстройкой под конкурентов, а также учитывающая спрос и предложение на рынке в зависимости от выбранной стратегии ценообразования;
• ассортиментное планирование — система, формирующая ассортиментные матрицы, корректирующая их с учетом спроса, появления новинок на рынке, маркетинговых обязательств компании, законодательных ограничений и пр.;
• управление товарным запасом — система, позволяющая оперативно формировать предложения по распределению товарных остатков между подразделениями аптечной сети для нормализации структуры товарных запасов, минимизирующая уровень неликвидов и сверхзапасов;
• инвентаризационная деятельность — автоматизация процесса с помощью устройств для считывания штрих-кодов. Такие устройства определяют и распознают наличие того или иного продукта, сравнивая его с информацией в базе данных. Инвентаризация с использованием такой технологии занимает на 30% меньше времени, чем при стандартной процедуре.

В настоящее время в практике аптечных организаций используется большое количество специализированного программного обеспечения, которое позволяет:

• наладить эффективную работу со складскими запасами и организовать оповещение о необходимости заказа ЛП или автоматическое оформление заявок поставщикам;
• организовать бухгалтерский учет. В зависимости от функционала, такие программы могут использоваться при расчетах с поставщиками, начислении заработной платы и пр.;
• обеспечить эффективную работу с клиентами. Специализированное программное обеспечение позволяет управлять рекламными кампаниями, акциями и прочими инструментами для привлечения покупателей и повышения их лояльности;
• управлять филиалами, организовать общение между сотрудниками внутри компании, их обучение и пр.

В качестве примеров используемых программ можно назвать: «1С», «БЭСТ-5. Аптека», «ИнфоАптека», «ЮНИКО», «М-АПТЕКА плюс», «еФарма 2», «Оазис» и др.

Активно развивается сфера е-коммерции — аптечные агрегаторы, интернет-площадки аптечных сетей и союзов, маркетплейсы. С 2020 года в соответствии с Постановлением Правительства РФ от 16 мая 2020 г. № 697 «Об утверждении Правил выдачи разрешения на осуществление розничной торговли лекарственными препаратами для медицинского применения дистанционным способом, осуществления такой торговли и доставки указанных лекарственных препаратов гражданам и внесении изменений в некоторые акты Правительства Российской Федерации по вопросу розничной торговли лекарственными препаратами для медицинского применения дистанционным способом» разрешена дистанционная реализация безрецептурных ЛП.

Выход на интернет-площадки развивает каналы продаж и расширяет охваты, при этом маркетплейсы внедряют новые формы оплаты (QR, facelD или touchID). Внедряется новое программное обеспечение и инновационные инструменты в области логистики, в том числе с элементами искусственного интеллекта.

Популярными тенденциями становятся переход к облачным технологиям, разработка и внедрение мобильных приложений, роботизация логистических процессов, сервисы по подбору БАДов и поиску ЛП.

В настоящее время в аптеках, обслуживающих население, применяют роботы-автоматы (вендинговые аппараты) для реализации населению прежде всего товаров аптечного ассортимента; роботы-диспенсеры, представляющие собой шкафы с электромеханическим манипулятором для подачи лекарственных средств на рабочее место провизора; роботизированные аптечные склады, предназначенные для приемки, распределения на полках, хранения и выдачи на рабочее место провизора лекарственных средств; аптечные фасующие роботы, собирающие и упаковывающие лекарственные средства в соответствии с индивидуальными потребностями пациента. Для доставки товара на рабочее место провизора используются лифт, наклонная поверхность, спиральная подача и пневматический желоб. Применение аптечных роботов повышает производительность труда в аптеках, исключает пересортицу, ускоряет реализацию товаров из аптек. В России первый аптечный робот появился в Москве в 2006 году в аптеке сети «Самсон-Фарма». Затем роботы появились в других городах России: в 2008 году — во Владивостоке; в 2011 году — в Абакане (Республика Хакасия) и в Москве. В настоящее время продолжается их внедрение по всей стране.

Роботизация внедряется также в деятельность больничных аптек. Среди автоматизированных систем, используемых в больничных аптеках, можно выделить роботов для распределения лекарственных средств, их доставки пациентам в отделения и изготовления лекарственных форм. Некоторые роботы осуществляют хранение лекарственных средств и выполняют комплекс перечисленных функций.

Роботы для распределения ЛС осуществляют дозирование различных лекарственных форм в индивидуальные упаковки конкретному пациенту в соответствии с назначением врача. Как правило, для распознавания ЛС в роботах используется штрихкодирование. Транспортные роботы осуществляют доставку ЛС из аптеки в отделения больницы. При этом данные роботизированные системы могут информировать пациента о правилах приема ЛС, отвечать на его вопросы и сопровождать в пункт назначения. Системы для аптечного изготовления ЛС позволяют изготавливать различные лекарственные формы, проводить разведение антибиотиков и других химиотерапевтических ЛС, осуществлять их хранение и учет.

Использование роботизированных систем в больничных аптеках позволяет исключить ошибки, обусловленные человеческим фактором, сократить затраты времени сотрудников, снизить риск распространения внутрибольничных инфекций, способствует улучшению качества изготавливаемых ЛС, эффективности и безопасности лекарственного обеспечения стационарных пациентов, а также экономии денежных средств.

В апреле 2019 года Минздрав утвердил возможность выдачи электронных рецептов вместо бумажных. Переход на новую систему выписки, в соответствии с п. 4 ст. 6 ФЗ № 61-ФЗ «Об обращении лекарственных средств», должен оформляться специальным решением региональных органов исполнительной власти.

После отпуска назначенных ЛП фармацевт или провизор отправляет отчет о том, что рецепт выполнен. Этот отчет может быть доступен назначающему лечение врачу, если это необходимо.

Использование систем электронного назначения и аптечной информатики способствует упорядочению процесса назначения и отпуска ЛП, повышению точности и эффективности фармакотерапии.

В России электронные системы назначения ЛС были внедрены в различных регионах, и в настоящее время реализуется интеграция по всей стране. Для того чтобы в полной мере реализовать преимущества этих систем, необходимо, чтобы все медицинские и аптечные организации перешли на электронное взаимодействие.

Одним из важных аспектов этого перехода является интеграция электронных систем назначения с системами учета аптечных организаций, которые будут предоставлять пациентам информацию в режиме реального времени о наличии назначенных им ЛП.

В итоге целью является создание полностью автоматизированной системы взаимодействия между пациентами, врачами и аптеками с использованием технических средств, таких как электронные системы назначения.

Телефармация — это термин, используемый для описания оптимального цикла организации лекарственной терапии, который включает в себя использование электронных систем для облегчения связи и координации между пациентами, врачами и аптеками.

Через телемедицинские системы пациенты могут получать консультации врачей и электронные рецепты. Используя удаленные розничные системы, пациенты могут затем заказать назначенные им ЛП и получить их на дом.

Чтобы убедиться, что пациенты придерживаются назначенного им режима лечения, врачи могут получать обратную связь о покупке и доставке конкретных упаковок ЛП через систему, которая контролирует их движение. Единственной недостающей частью в этом цикле является система отслеживания того, действительно ли пациенты принимают предписанные им ЛП в соответствии с указаниями. Этот этап терапии также может быть проконтролирован за счет применения умных систем выдачи ЛП — таблетниц.

Их задачей является напоминание пациенту о необходимости приема ЛП в определенное время и контроль открытия и закрытия отсеков с ЛП (см. рис. 20).

Разработка информационных систем, объединяющих различных участников жизненного цикла ЛС, таких как врачи, аптеки, регулирующие органы, известна как внедрение CALS/PLM-технологий. Эти системы предназначены для повышения эффективности и точности путем предоставления единого источника установленной и справочной информации для всех вовлеченных сторон.

Важнейшим элементом этих систем является использование единого перечня ЛС, который гарантирует, что все стороны используют одни и те же названия и описания для ЛП. Это особенно важно при передаче информации из электронных систем назначения, а также при хранении информации о рецептах в репозиториях и базах данных. Используя последовательную, стандартизированную систему информации, легче отслеживать и управлять распределением и использованием ЛП.

Принятие электронных рецептов значительно выросло в последние годы, что демонстрирует спрос на электронные системы назначения ЛС и потенциал для дальнейшего роста.

Развитие телемедицины, объединение медицинских организаций с помощью таких систем, как ЕГИСЗ, и внедрение технологий электронного назначения и дистанционной продажи ЛП проложат путь для внедрения телефармации, системы, которая может улучшить циркуляцию ЛП и оптимизировать процесс назначения и отпуска.

Фармацевтическая отрасль претерпевает значительные изменения, поскольку достижения в области медицинских и фармакологических знаний приводят к разработке более сложных и эффективных ЛС. Это увеличение количества и сложности ЛС усложнило задачу для медицинских работников, включая врачей и медсестер, оставаться в курсе надлежащего использования этих ЛП в лечении пациентов.

В ответ на эту тенденцию некоторые фармацевты и фармакологи выступают за расширение профессиональных обязанностей фармацевтов и провизоров.

Поскольку роль контроля над применением ЛП становится все более важной, фармацевтические специалисты могут быть призваны взять на себя более высокий уровень ответственности за лечение пациентов.

Это смещение обязанностей подчеркивает важную роль, которую фармацевтические специалисты играют в системе здравоохранения, и ценность их опыта в области фармакологии.

Поскольку финансирование и организация здравоохранения претерпевают изменения, растет потребность в снижении стоимости фармакотерапии при сохранении высокого уровня ухода за пациентами. Одним из способов достижения этой цели является внедрение компьютеризированных информационных систем, которые могут решать многие задачи обработки данных и ведения учета, которые традиционно были обязанностью фармацевтических специалистов.

Автоматизируя эти задачи, фармацевтические специалисты могут переключить свое внимание с управления распределением ЛП на контроль индивидуального использования ЛП пациентами. Это изменение фокуса поможет оптимизировать фармакотерапию и гарантировать, что пациенты получают наиболее эффективное и адекватное лечение.

Информационные системы также могут помочь повысить эффективность и снизить нагрузку на фармацевтических специалистов, позволяя им сосредоточиться на деятельности с большей добавленной стоимостью, которая способствует общему качеству ухода за пациентами.

Ожидается, что в будущем компьютеризированные системы будут играть более значительную роль в выдаче и распределении ЛП. Уже существуют технологии, которые могут автоматизировать большую часть процесса применения ЛП, с момента принятия решения о лечении до момента, когда пациент принимает ЛП.

Использование информационных систем в фармацевтике может помочь повысить эффективность и точность распределения ЛП и улучшить уход за пациентами.

Технология штрихкодов может быть использована для устранения технологических барьеров на пути автоматизации процессов дозирования ЛП в аптеках.

Штрихкоды уже широко используются в медицинских организациях для маркировки образцов, историй болезни и результатов проведенных исследований.

Достижения в области построения сетей передачи данных и телекоммуникационных технологий оказывают значительное влияние на фармацевтический рынок.

В нашей стране коммуникации всех существующих медицинских и фармацевтических организаций, медицинских и фармацевтических работников обеспечиваются посредством ЕГИСЗ — единой государственной информационной системы здравоохранения. В ее состав входят различные подсистемы для обеспечения взаимодействия органов управления, медицинских организаций и работников.

Для реализации своих многочисленных функций единая система в сфере здравоохранения включает в себя ряд подсистем:

• федеральный регистр медицинских и фармацевтических работников;
• федеральный реестр медицинских и фармацевтических организаций;
• федеральную электронную регистратуру;
• федеральную интегрированную электронную медицинскую карту;
• федеральный реестр электронных медицинских документов;
• подсистему ведения специализированных регистров пациентов по отдельным нозологиям и категориям граждан;
• подсистему ведения реестров лекарственных препаратов для медицинского применения;
• информационно-аналитическую подсистему мониторинга и контроля в сфере закупок лекарственных препаратов для обеспечения государственных и муниципальных нужд;
• подсистему автоматизированного сбора информации о показателях системы здравоохранения и различных источниках предоставления отчетности;
• федеральный реестр нормативно-справочной информации в сфере здравоохранения;
• подсистему обезличивания персональных данных;
• геоинформационную подсистему;
• подсистему защиты информации;
• обеспечение отраслевого ситуационного центра в сфере здравоохранения;
• интеграционные подсистемы и иные подсистемы, которые предусмотрены законодательством Российской Федерации.

В рамках ЕГИСЗ активно совершенствуются подсистемы регионального сегмента «Льготное лекарственное обеспечение» (ЛЛО).

Для оперативной работы врачей и ответственных лиц разрабатываются и внедряются функционалы на всех этапах работы в рамках программ льготного лекарственного обеспечения: автоматическая передача информации о выписанных рецептах в аптеки, в том числе в рамках обеспечения через фонд «Круг добра»; электронный учет, отпуск, мониторинг лекарственного обеспечения граждан; направление информации в единый Федеральный регистр; перераспределение товарных остатков между медицинскими организациями; оформление дополнительных потребностей на поставку ЛП от лечебных учреждений; оформление и согласование решений клинико-экспертной комиссии.

Для оперативной работы врачей и ответственных лиц предусматривается разработка функционалов по перераспределению товарных остатков между медицинскими организациями на основании сведений об излишках или дефиците; оформлению дополнительных потребностей на поставку ЛП от лечебных учреждений.

Внедрение современных информационных систем ведет к повышению эффективности процессов управления льготным лекарственным обеспечением за счет оперативности и достоверности представления информации, а также контроля в режиме реального времени за работой медицинских и аптечных организаций.

Подсистема ЛЛО обеспечивает оформление электронных рецептов с возможностью резервирования препаратов, автоматическую передачу информации о выписанных рецептах в аптеки, ведение персонифицированного учета рецептов и лекарственных препаратов в количественном и денежном выражении, а также электронный учет закупок и остатков льготных медикаментов.

Одновременно с этим осуществляется работа в системе обязательной маркировки лекарственных препаратов, обеспечена интеграция ФГИС «МДЛП».

Использование соответствующего программного обеспечения позволяет в автоматическом режиме проводить мониторинг лекарственного обеспечения граждан в любом разрезе, формировать все виды отчетности, исполнять поручения Министерства здравоохранения Российской Федерации в части направления информации в Единый федеральный регистр льготных категорий граждан, Федеральный регистр 14 нозологий и выгружать данные в ЕГИССО.

Преимуществом использования информационных технологий является организация персонифицированного учета потребности в льготных ЛП по каждому пациенту.

В подсистеме ЛЛО предусмотрено заполнение листов назначений ЛП в карточке пациента. Имея данную информацию, в программе можно быстро определить текущую потребность в ЛП и в автоматизированном режиме рационально и максимально точно составить прогноз потребности на несколько лет вперед.

Подсистема обеспечивает формирование электронных медицинских документов врачами и провизорами в региональную интегрированную электронную медицинскую карту. Благодаря новому программному продукту повысилось качество и время обслуживания пациентов.

Кроме того, использование информационных технологий дает возможность:

• централизации хранения и обработки данных;
• использования справочников и общероссийских классификаторов;
• использования современных средств отбора и вывода на экран/печать информации по заданным параметрам (контекстный поиск, фильтры, сортировка и т.д.);
• публикации документов, распоряжений, новостей в рабочей области главной страницы (с возможностью скачивания присоединенных документов) и др.

Программа содержит полный функционал товародвижения льготных лекарственных препаратов на складе и в аптеках (поступление, возврат поставщику, отпуск по рецептам, отсроченное обеспечение рецептов, перемещение, инвентаризация, адресная система хранения и др.).

Таким образом, многочисленные возможности программы позволяют рационально использовать выделенное бюджетное финансирование и оперативно реагировать при возникновении проблемных вопросов.

К цифровым инструментам, используемым медицинскими и фармацевтическими специалистами для профессионального общения, относятся также профессиональные сайты, дистанционные визиты медицинских представителей (например, с использованием системы маркетинговой коммуникации Closed Loop Marketing (CLM), обеспечивающей двустороннее общение с целевой аудиторией), E-mail-рассылки, интернет-конференции и вебинары, электронные версии профессиональных изданий, а также коммуникации с помощью мессенджеров и по телефону.

Использование методов ИИ и быстрый доступ к подробным клиническим данным позволяют значительно улучшить возможности автоматизированных систем по выявлению потенциальных проблем в медикаментозной терапии и предоставлению рекомендаций по их разрешению.

Интеграция баз знаний по фармакологии и автоматизированных больничных информационных систем также может предоставить медицинским работникам своевременный доступ к текущей информации об ЛП и позволить им получать клинические консультации и экспертные консультации по планированию терапии.

Системы поддержки принятия клинических решений

Одним из ключевых вызовов, стоящих перед российской системой здравоохранения, является обеспечение доступности медицинской помощи населению с учетом роста стоимости ЛС, медицинских изделий и оборудования. Одним из решений этой проблемы является внедрение системы оценки технологий здравоохранения (ОТЗ). Этот процесс включает в себя систематическую оценку медицинских и социальных последствий принятия, распространения и использования различных медицинских технологий, включая ЛП, медицинские устройства и диагностические тесты.

В поддержке внедрения ОТЗ в системе здравоохранения ценную роль могут играть системы поддержки принятия клинических решений (англ. clinical decision support system; CDSS). Например, CDSS может использоваться для сбора и анализа данных об эффективности, безопасности и экономической эффективности различных медицинских технологий, и эта информация может быть использована для информирования заинтересованных сторон о принятии и использовании этих технологий. Кроме того, CDSS может поддерживать внедрение основанных на фактических данных руководящих принципов и протоколов, связанных с использованием медицинских технологий, помогая обеспечить пациентов наиболее подходящей помощью на основе наилучших имеющихся доказательств.

ОТЗ — это мультидисциплинарный процесс, который систематически и независимо оценивает информацию по медицинским, социальным и экономическим вопросам, результаты которой используются для поддержки принятия управленческих решений. Использование результатов ОТЗ позволяет стимулировать использование клинически наиболее эффективных и безопасных медицинских технологий с наилучшим соотношением эффективности и затрат и способствует решению следующих задач:

• рациональное распределение ресурсов в системе здравоохранения и повышение эффективности их использования;
• совершенствование клинической практики;
• возмещение расходов на ЛП, медицинское оборудование и мероприятия;
• рациональное ценообразование на медицинские технологии;
• содействие внедрению инновационных медицинских технологий.

Потенциально опасные комбинации ЛП представляют значительный риск для безопасности пациентов и могут иметь серьезные клинические, социальные и экономические последствия для системы здравоохранения и государства в целом.

В настоящее время существующие отечественные и зарубежные системы оценки клинических решений способны прогнозировать взаимодействия только между двумя ЛП, что может быть неадекватным в практической медицине, особенно в гериатрической помощи, где пациенты часто принимают три или более ЛП одновременно. Поскольку количество ЛП, используемых одновременно, увеличивается, риск побочных эффектов и несовместимости ЛП также увеличивается. В свете этих вызовов разработка экспертной системы, основанной на последних достижениях персонализированной медицины и способной прогнозировать опасные взаимодействия между тремя и более ЛП, является важнейшей задачей для системы здравоохранения. Эта система имеет потенциал для повышения безопасности пациентов и снижения затрат, связанных с побочными реакциями на ЛП.

Оценка оптимального применения ЛП имеет решающее значение для обеспечения рационального назначения ЛП, учитывающего потребности персонализированной, трансляционной и регенеративной медицины на основе применения стандартов медицинской помощи и клинических рекомендаций. Этот процесс также помогает обеспечить рациональное распределение финансовых ресурсов, связанных с покупкой и хранением ЛП. Повышение качества медицинской помощи за счет использования доказательных методов медицины и клинически эффективной лекарственной терапии позволяет максимально эффективно использовать финансовые ресурсы в рамках системы здравоохранения на благо пациентов. В конечном счете оценка оптимального применения ЛС имеет потенциал для улучшения результатов лечения пациентов и снижения затрат на лечение.

Эффективное и действенное использование ЛП, как с клинической, так и с экономической точки зрения, требует автоматизации процессов с использованием цифровых систем, баз знаний и математических методов принятия решений.

С этой целью в медицинских организациях внедряются различные информационные системы для автоматизации финансово-хозяйственной деятельности, а также медицинского процесса.

В целом использование этих систем может помочь улучшить качество и эффективность медицинской помощи, а также снизить затраты на управление ЛП.

Их разнообразие и различия в функциональности не позволяют говорить о возможности унификации и целесообразности выявления возможности использования единой информационной системы или общего набора информационных систем. Однако работа всех систем строится вокруг одной общей сущности — информации об ЛС.

Информационные потоки между участниками жизненного цикла очень активны, и интеграция информации позволяет добиться выгоды как для фармацевтических организаций, так и для врачей, пациентов и, как следствие, для всей системы здравоохранения в целом.

Фармаконадзор

Фармаконадзор — это процесс мониторинга и оценки безопасности ЛП, в том числе рецептурных и безрецептурных ЛП, биологических ЛП и медицинских изделий. Это важный аспект фармацевтической отрасли, поскольку он помогает обеспечить безопасное и эффективное использование этих продуктов путем выявления и решения любых потенциальных проблем безопасности.

В соответствии с требованиями Всемирной организации здравоохранения (ВОЗ) отслеживание и передача информации о нежелательных реакциях (НР) на ЛП в базу данных VigiBase (Uppsala monitoring centre) должна осуществляться организованными национальными центрами.

Каждая страна, желающая стать членом Международной программы ВОЗ по мониторингу безопасности, обязана организовать базу данных и осуществлять через нее передачу информации о нежелательных реакциях на ЛС в базу данных VigiBase.

Начиная с момента создания, все данные об НР передавались и хранились в VigiBase, в основном на бумажных носителях. Переход на использование цифровых технологий в системе сбора информации об НР стал возможен в 1990-х гг. на основании модели, предложенной Советом международных организаций медицинских наук (CIOMS). Гармонизация формы электронного сообщения об НР состоялась благодаря принятию в 1997 г. международного стандарта передачи информации по безопасности ЛС E2B, разработанного Международной конференцией по гармонизации технических требований к регистрации ЛС, предназначенных для человека (ICH).

В начале 90-х годов XX века Международной конференцией по гармонизации технических требований к регистрации лекарственных препаратов для медицинского применения (англ. International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use; ICH) был принят и поддерживается Медицинский словарь для регуляторной деятельности (MedDRA) — международный словарь нежелательных реакций, возникающих при применении лекарственных препаратов для медицинского применения. Используется уполномоченными органами в сфере регулирования обращения лекарственных средств на протяжении всего жизненного цикла лекарственных препаратов для медицинского применения (то есть до и после регистрации).

Установлено его обязательное использование при составлении периодических, обновляемых отчетов по безопасности разрабатываемых препаратов, основной справочной информации по безопасности компании. Такие базы данных также существуют во всех государствах ЕАЭС («АИС-Росздравнадзор» в России, «Экспертиза лекарственных средств, изделий медицинского назначения и медицинской техники» в Казахстане и др.). При этом вопросы фармаконадзора регулируются и общими правовыми актами ЕАЭС, распространяющимися на все страны-участницы.

Фармаконадзор в РФ регламентируется Приказом Федеральной службы по надзору в сфере здравоохранения от 17 июня 2024 г. № 3518 «Об утверждении Порядка фармаконадзора лекарственных препаратов для медицинского применения», в котором урегулированы вопросы осуществления фармаконадзора. Речь идет о мониторинге эффективности и безопасности ЛП, направленном на выявление, оценку и предотвращение нежелательных последствий их применения.

Фармаконадзор в РФ осуществляется Федеральной службой по надзору в сфере здравоохранения путем анализа представляемой субъектами обращения ЛС информации о побочных действиях ЛС, нежелательных реакциях (НР), серьезных нежелательных реакциях, непредвиденных нежелательных реакциях при применении ЛС, об индивидуальной непереносимости, отсутствии эффективности ЛП, а также об иных фактах и обстоятельствах, представляющих угрозу жизни или здоровью человека, выявленных на всех этапах их обращения в России и других государствах, в целях выявления возможных негативных последствий их применения, индивидуальной непереносимости, предупреждения медицинских работников, пациентов и их защиты от применения таких ЛП. Источниками информации об НР, поступающей в систему, являются субъекты обращения ЛС, включая сотрудников территориальных органов Росздравнадзора, экспертных организаций, региональных центров мониторинга ЛС, фармацевтических компаний, лечебно-профилактических и аптечных учреждений. Внедрение и совершенствование информационных технологий в системе фармаконадзора РФ позволило значительно повысить число поступающих спонтанных сообщений об НР ЛС.

С 1 января 2017 г. вступили в силу Правила надлежащей практики фармаконадзора (GVP) Евразийского экономического союза, утвержденные решением Совета Евразийской экономической комиссии № 87 от 03.11.2016 (GVP ЕАЭС). Согласно данному документу национальные системы фармаконадзора приводятся в соответствие с GVP (англ. Good Pharmacovigilance Practices).

В связи с продолжающимся развитием международных регуляторных практик в области фармаконадзора и целесообразностью реализации накопленного опыта возникла необходимость пересмотра Правил GVP ЕАЭС. Действующие Правила GVP ЕАЭС по своей структуре соответствуют GVP ЕС (табл. 12).

Правила надлежащей практики фармаконадзора ЕС	Правила надлежащей практики фармаконадзора ЕАЭС
Introduction (Введение)	I. Общие положения
Module I — Pharmacovigilance systems and their quality systems (Модуль I — Системы фармаконадзора и системы их качества)	II. Требования к системе качества
Module II — Pharmacovigilance system master file (Модуль II — Мастер-файл системы фармаконадзора)	III. Мастер-файл системы фармаконадзора
Module III — Pharmacovigilance inspections (Rev 1) (Модуль III — Инспектирование фармаконадзора, версия 1)	IV. Инспектирование системы фармаконадзора
Module IV — Pharmacovigilance audits (Rev 1) (Модуль IV — Аудиты фармаконадзора, версия 1)	V. Аудит системы фармаконадзора
Module V — Risk management systems (Rev 2) (Модуль V — Системы управления рисками, версия 2)	VI. Система управления рисками
Module VI — Collection, management and submission of reports of suspected adverse reactions to medicinal products (Модуль VI — Организация работы с информацией о нежелательных реакциях на лекарственные препараты)	VII. Организация работы с информацией о нежелательных реакциях на лекарственные препараты
Module VII — Periodic safety update report (Rev 1) (Модуль VII — Периодический обновляемый отчет по безопасности, версия 1)	VIII. Периодический обновляемый отчет по безопасности
Module VIII — post-authorisation safety studies (Rev 3) (Модуль VIII — Пострегистрационные исследования безопасности, версия 3)	X. Пострегистрационные исследования безопасности
Module IX — Signal management (Rev 1) (Модуль IX — Управление сигналом, версия 1)	IX. Управление сигналом
Module X — Additional monitoring (Модуль X — Дополнительный мониторинг)	XIII. Дополнительный мониторинг в рамках надлежащей практики фармаконадзора
Module XV — Safety communication (Rev 1) (Модуль XV — Информирование по безопасности, версия 1)	XI. Информирование о безопасности
Module XVI — Risk minimisation measures: selection of tools and effectiveness indicators (Rev 2) (Модуль XVI — Меры минимизации риска: выбор инструментов и показателей эффективности, версия 2)	XII. Меры минимизации риска

Несмотря на лежащие в основе Правил GVP ЕС и Правил GVP ЕАЭС общие руководства и рекомендации ведущих международных организаций (ICH и др.), существует ряд некоторых различий в требованиях к оценке эффективности систем фармаконадзора.

В Правилах GVP ЕС определения представлены в более развернутом виде. Документ содержит рисунки, шаблоны, примеры, алгоритмы и таблицы, отсутствующие в GVP ЕАЭС. Такие различия обусловлены подходами к разработке рассмотренных документов, особенностями развития правовых систем межгосударственных объединений и правоприменительной практикой, наработанной национальными регуляторными органами.

Весь процесс фармаконадзора, от получения сообщения до отчетности и выявления сигналов по безопасности, можно автоматизировать, и тем самым ограничить объем человеческого вмешательства, которое все еще будет необходимо для обработки исключений, проверки качества и анализа. Использование автоматизации снижает расходы на обработку данных, устраняет вероятность человеческой ошибки, а также повышает качество и точность данных.

Цифровые системы поддержки фармаконадзора тесно связаны с программным обеспечением других классов. Основой их работы является каталог ЛС. Средства автоматизации имеют особое значение для крупных компаний с большим количеством ЛС на различных рынках обращения. Целью таких систем является автоматизация сбора сообщений, полученных по запросу, и спонтанных сообщений о побочных реакциях на ЛП. Системы могут функционировать в двух режимах:

• как основной инструмент для получения, проверки, представления информации о безопасности и оценки ее соответствия поставленным задачам;
• как бумажная система, где электронная система используется только для срочного представления отдельных сообщений о побочных реакциях.

В зависимости от режима работы системы различаются по требованиям к резервному копированию и проверке. Задачами информационной системы поддержки фармаконадзора являются обеспечение непрерывного мониторинга данных, разработка и внедрение оповещений и других средств минимизации риска, контроль эффективности мероприятий по минимизации рисков.

Для реализации этих задач используются различные компоненты цифровых систем поддержки фармаконадзора, предназначенные для оценки разнородных данных, которые могут поступать от пациентов, медицинских и фармацевтических работников, из информации, опубликованной в медицинской литературе или содержащихся в исследованиях после регистрации.

Для обеспечения безопасности ЛС важно внедрить инструменты для научной оценки всей имеющейся информации о профиле безопасности ЛС, включая информацию о побочных реакциях, которые произошли, даже если ЛП не был использован в соответствии с утвержденной инструкцией по медицинскому применению.

Для надлежащего выполнения этой функции система должна также располагать средствами для передачи этой информации соответствующим органам.

Для обеспечения качества, целостности и полноты предоставляемой информации необходимо соблюдать стандарты идентификации лекарственных средств системы ISO IDPM, включая надлежащую проверку сигналов и устранение дублирующих сообщений. Таким образом, можно точно оценить безопасность ЛС и принять соответствующие меры для защиты здоровья пациентов. Для эффективной оценки безопасности ЛС информационная система должна содержать ряд компонентов, призванных обеспечить эффективную коммуникацию с соответствующими органами, включая возможность информирования их об изменениях в профиле безопасности ЛС и новых рисках.

Другие компоненты системы включают меры по управлению рисками и их минимизации, периодические обновляемые отчеты о безопасности, корректирующие и предупреждающие меры и пострегистрационные исследования безопасности.

Кроме того, система должна иметь средства для обеспечения того, чтобы информация об ЛС соответствовала текущему состоянию научных знаний, чтобы медицинские работники и пациенты могли получить доступ к точной и актуальной информации о безопасности ЛС. Включив эти компоненты, можно эффективно оценить безопасность, эффективность и качество ЛС и принять соответствующие меры для защиты здоровья пациентов. Автоматизация фармаконадзора относится к использованию программного обеспечения и других технологий для мониторинга и оценки безопасности ЛП. Это может включать использование автоматизированных систем для сбора, управления и анализа данных о побочных реакциях и других вопросах безопасности, связанных с ЛП, а также для поддержки отчетности и установленного обзора этих вопросов.

Существует ряд программных продуктов и систем, которые могут быть использованы для автоматизации различных аспектов фармаконадзора (табл. 13).

Таблица 13. Виды систем для автоматизации фармаконадзора

Вид системы	Использование	Функции
Системы баз данных безопасности	Сбор, управление и анализ данных о побочных реакциях и других вопросах безопасности, связанных с ЛП	Ввод данных, проверка и запросы для обеспечения точности и полноты данных
Системы обнаружения и управления сигналами	Выявление потенциальных проблем безопасности ЛП путем анализа данных из ряда источников: клинические исследования, сообщения о спонтанных неблагоприятных событиях, литература	Анализ данных для выявления закономерностей или тенденций в данных
Системы установленной отчетности	Поддержка отчетности о побочных реакциях и других вопросах безопасности в регулирующие органы	Формализация данных, проверка и представление для обеспечения соответствия установленным требованиям к отчетности
Системы управления рисками	Поддержка разработки и реализации планов управления рисками для ЛП	Анализ данных, оценка рисков и информирование о рисках для поддержки идентификации и смягчения рисков безопасности

В настоящее время различные научные коллективы в сфере Data Science (наука о данных) реализуют пилотные проекты по распознаванию текстовых тематик и передаче информации автоматическим алгоритмам. Результаты показывают высокую точность работы моделей по оценке контекста, в котором упоминается название препарата, автоматического присвоения тегов и выделения ключевых слов на основе подходов прикладной математики к обработке естественного языка (англ. natural language processing; NLP).

Использование NLP позволяет выполнять автоматическое распознавание контекста упоминания объекта мониторинга и классифицировать текст на основании определенных заранее рубрик.

В контексте фармаконадзора такими рубриками могут быть «эффективность», «снижение безопасности», «жизнеугрожающее состояние» и др. Развитие и совершенствование искусственного интеллекта является перспективным направлением для дальнейшего развития системы фармаконадзора, в частности для анализа больших данных и быстрого реагирования при возникновении реальных проблем безопасности.

Одним из путей оптимизации мониторинга информации о безопасности лекарственных препаратов может стать использование программных продуктов, основанных на автоматическом сборе и анализе данных из различных источников: библиографических баз данных, научных журналов, сайтов регуляторных органов, социальных сетей.

Для качественного выполнения ДРУ подобных задач оптимальным является создание мультидисциплинарной команды, объединяющей специалистов как в области фармаконадзора, так и в области разработки и внедрения программных решений с использованием NLP и Data Science в целом.

Применение существующих электронных систем, используемых для фармаконадзора, не исключает необходимости сбора, ввода, сверки и анализа данных вручную, что неизбежно влечет за собой появление ошибок. С развитием электронных и мобильных технологий большое значение приобретает получение дополнительных сведений по безопасности путем использования данных реальной клинической практики (англ. Real-World Data; RWD).

Такие данные могут быть собраны в результате анализа электронных медицинских карт пациентов, получающих медицинскую помощь в амбулаторных или в стационарных условиях, а также из социальных сетей, мессенджеров, с помощью приложений для мобильных устройств и др. Это приводит к образованию больших массивов данных, осуществлять обработку которых возможно только с использованием современных информационных технологий.

Существует несколько уровней автоматизации процессов, на каждом из которых происходит снижение количества задействованных кадровых ресурсов.

Базовая автоматизация рабочих процессов. Включает в себя сбор данных, автоматическое отслеживание и мониторинг выполнения задач. Базовая автоматизация в электронной системе по фармаконадзору может быть использована при разработке инструментов управления рабочим процессом контроля качества сообщений, мониторинга научной литературы, отслеживания срочных подач сообщений и календаря периодических подач.

Внедрение базовой автоматизации позволяет повысить качество ввода информации, получать всю необходимую отчетность, производить подачу отчетов в регуляторные органы в срок, распределить зоны ответственности между участниками процесса, а также обеспечить сбор метрик.

Роботизированная автоматизация процессов (англ. Robotic Process Automation; RPA) использует специальное программное обеспечение (так называемых ботов) для выполнения действий, обычно представляющих собой повторяющиеся процессы, без вмешательства оператора. Применение RPA в электронной системе по фармаконадзору позволяет уменьшить объем рутинного труда специалистов или полностью его исключить, обеспечивая автоматический ввод, обработку и анализ данных.

Производители систем по фармаконадзору анонсировали следующие возможности систем, использующих RPA:

• автоматический ввод сообщений через мобильные приложения с возможностью отправки результатов напрямую в систему по фармаконадзору;
• автоматизированное отслеживание случаев развития нежелательных явлений при применении лекарственных препаратов по данным научной литературы;
• инструменты отслеживания случаев возникновения нежелательных явлений, которые могут анализировать структурированные и неструктурированные данные в реальном времени, полученные из множества каналов, включая социальные сети и чат-боты;
• боты для ввода информации, которые могут вносить информацию из документов в форматах XML, PDF и др.

Когнитивная автоматизация (англ. Cognitive Automation). Использует автоматическую обработку естественного языка (англ. Natural Language Processing; NLP) для помощи специалистам в принятии решений, часто сочетается с RPA. Производители систем по фармаконадзору, использующих технологии когнитивной автоматизации, анонсировали следующие возможности таких систем:

• инструменты, использующие NLP, способны анализировать сложные источники, включая медицинские карты пациентов, посты в социальных сетях, публикации в периодической печати и научной литературе, а также прочие неструктурированные данные;
• инструменты, использующие средства когнитивной автоматизации, позволяют извлекать информацию о нежелательном явлении и оценивать его.

К нескольким областям фармаконадзора применимы также технологии ИИ. Ценность этих технологий определяется возможностями минимизации влияния человеческого фактора, стандартизацией процессов, сокращением продолжительности цикла обработки данных. В электронных системах по фармаконадзору эти технологии используются для сбора отдельных сообщений, составления сводной отчетности, управления рисками, управления сигналами. ИИ также позволяет выявлять сигналы по безопасности при помощи нейронных сетей, анализировать данные RWD, осуществлять мультимодальное и предиктивное выявление сигналов.

Примерами использования технологий ИИ являются:

• применение машинного обучения для автоматического кодирования терминов в соответствии с медицинским словарем для регуляторной деятельности (англ. Medical Dictionary for Regulatory Activities; MedDRA), наименований медицинских продуктов — в соответствии со словарем Всемирной организации здравоохранения по лекарственным средствам (англ. WHO Drug Dictionary; WHODrug) или аналогичными;
• автоматизированный сбор и оценка сообщений о серьезных нежелательных явлениях в комментариях пользователей на веб-сайтах при помощи возможностей нейронной сети и методологии анализа тональности текста (англ. sentiment analysis), предназначенной для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки (мнений) авторов по отношению к объектам, о которых идет речь;
• применение ИИ для прогнозирования профиля безопасности лекарственного средства на этапе его разработки;
• создание модели для машинного обучения, позволяющей прогнозировать вероятное развитие нежелательного явления для разрабатываемого лекарственного средства на основании публикаций результатов исследований in vitro в индексируемых базах данных (например, PubMed ) и информации по безопасности из базы данных FAERS (FDA Adverse Event Reporting System).

Таким образом, помимо качественной обработки сообщений о нежелательных реакциях, поступающих от участников системы фармаконадзора, использование прогрессивных технологий позволяет осуществлять обзор источников литературы, мониторинг информации социальных сетей и оказать поддержку специалистам в процессах принятия решений.

Наиболее эффективно применение представленных технологий автоматизации в комплексе. Сокращение объема рутинной работы специалистов по фармаконадзору при использовании ИИ позволит повысить ценность их деятельности, поскольку их квалификация, опыт и время будут использоваться в основном для экспертной оценки полученных результатов.

Дальнейшим направлением развития информационных технологий в области фармаконадзора является создание комплексной информационной системы, которая обеспечивала бы сбор и анализ данных из новых источников медицинской информации, например из данных реальной клинической практики.

Одним из ключевых этапов процесса фармаконадзора является работа с сигналами о безопасности ЛС. Термин «сигнал» в фармаконадзоре определяется как информация, поступающая от одного или нескольких источников, о наличии высокой степени достоверности причинно-следственной связи между НР и применением ЛС, о которой ранее не было ничего известно или сведения были недостаточно информативными. Выявление сигналов и управление сигналами — важная часть процесса фармаконадзора и является необходимой частью периодических отчетов по безопасности. В настоящее время в связи с развитием электронных систем по безопасности ЛС процесс выявления сигналов получил значительное развитие.

Выявление сигналов должно осуществляться качественными и количественными методами. Оценка сигналов должная быть использована для документирования и формальной оценки только критических сигналов и для обеспечения управления непрерывной оценкой ЛС. Эта собранная и оцененная информация должна быть легко доступна и управляема в электронных системах. В РФ разработана электронная система Flex Databases, которая обеспечивает надлежащее исполнение требований законодательства в части фармаконадзора, значительно облегчает процесс работы с сигналами, а также позволяет решать другие важные задачи в рутинной работе специалистов по фармаконадзору. Система Flex Databases позволяет автоматизировать процессы фармаконадзора: от планирования проекта до получения сообщений о нежелательных явлениях (НЯ), их обработки, включая медицинское кодирование, представления в глобальные офисы и уполномоченным регуляторным органам, а также в международные системы контроля безопасности ЛС в соответствии с международными и локальными требованиями.

Flex Databases стала первой российской компанией, которая предложила готовое локализованное решение для автоматизации процессов фармаконадзора для работы с любыми (включая малые) объемами информации и хорошо зарекомендовала себя на международном рынке — международная организация MSSO (англ. Maintenance and Support Services Organization) внесла Flex Databases в официальный список вендоров, поддерживающих MedDRA-кодирование и SMQ-запросы. Система Flex Databases успешно прошла независимый аудит международной компании и является стандартной рабочей средой для уполномоченных лиц по фармаконадзору, менеджмента и персонала медицинских департаментов компаний-ДРУ и компаний — разработчиков ЛС. Она используется многими ведущими фармацевтическими компаниями в России — отечественными и международными, и рядом зарубежных и международных фармацевтических компаний в Канаде и Швеции.

Данные, полученные во время пандемии COVID-19, продемонстрировали, что создание и постоянное обновление системы прямой онлайн-отчетности с помощью различных программ, открытый доступ к информации о безопасности ЛС для всех участников системы фармаконадзора страны будут способствовать увеличению количества добровольных сообщений об НЛР.

Программное обеспечение, используемое для обработки статистических данных

Статистические вычисления — трудоемкая задача для сотрудников, независимо от того, к какой сфере деятельности относится организация. Даже для статистических выборок небольших объемов ручной расчет основных характеристик и построение простейших графиков может занять много времени. С целью устранения данной проблемы созданы различные программно-аппаратные решения, а также внедрены средства автоматизации статистического анализа данных практически для всех операционных систем и на всех уровнях компьютерного развития.

Статистические методы математического анализа широко используются в экспертизе и являются одним из методов ретроспективного и прогностического изучения данных, а также могут служить инструментом, с помощью которого реально проводить оценочное сравнение полученных результатов. Однако это не единственная задача статистики.

Математическое моделирование на основе статистики широко используется в диагностических целях, при решении классификационных задач и поиске новых. Важной функцией статистического анализа является получение объективного суждения о наблюдаемых результатах экспертного исследования и обеспечение основы для сформулированных выводов.

Важной целью использования статистических методов в научных исследованиях является минимизация случайных ошибок, подтверждение достоверности собранных данных. Использование программного обеспечения в процессе обработки статистических данных облегчает выполнение следующих задач:

• мониторинг необходимого объема выборки;
• применение статистических критериев;
• проверка представленных выводов и предположений.

В настоящее время все более актуальным становится правильное наименование статистических методов при планировании исследований. Это связано с развитием концепции и практики доказательной медицины и возрастающими требованиями к методологическому качеству исследований.

Важно своевременно и разумно доказать, что полученные результаты и основанные на них выводы воспроизводимы и актуальны. Например, при анализе результатов доклинических и клинических исследований можно сделать выводы о влиянии нового ЛП на экспериментальную группу животных или человека. Также на основании изучения параметров выборки: эксперт может на основании изучения параметров выборки проверить значимость различий между экспериментами, а затем обобщить их результаты с помощью статистических критериев.

В решении многочисленных проблем контроля качества ЛС ведущую роль играет информация, собранная с использованием лабораторных методов исследования. Но определить их надежность можно только на основе статистической оценки. Статистическая обработка результатов исследований, нивелирование ошибок и повышение точности ключевых показателей являются необходимым этапом при экспертизе ЛП. Сотрудник экспертного отдела имеет возможность использовать программное обеспечение для решения ряда статистических задач, которые часто встречаются в лабораторной практике:

• характеристики методов анализа (случайная и систематическая погрешность, селективность, построение калибровочных графиков, экономия времени и средств);
• представление аналитических данных (результаты анализа также должны быть представлены в общепринятой и понятной форме);
• обеспечение качества (например, для соблюдения границ, предписанных установленными требованиями);
• валидация аналитических методик (особенно актуальна, когда речь идет об аналитической химии для целей фармацевтического анализа ЛС).

Практически во всех случаях для глубокого статистического анализа результатов исследований специалисту необходимо иметь специализированную подготовку, включающую не только базовые знания математической статистики, но и опыт работы с различными версиями компьютерных программ.

Из зарубежных универсальных пакетов наиболее распространенными являются BAS, SPSS, Systat, Minilab, Statgraphics, STATISTICA, ODA, WinSTAT, Statit и др. А из российских пакетов известны STADIA, «Олимп», «Класс-Мастер», «КВАЗАР», «Статистик-Консультант».

Современное статистическое программное обеспечение реализует ряд системных функций: помощь пользователю при выборе способа обработки, автоматическая организация процесса обработки данных, обеспечение диалогового режима работы пользователя с пакетом, ведение пользовательских баз данных, автоматическая отчетность о проделанной пользователем работе, совместимость с другими программами и т.д.

Пакеты статистического программного обеспечения (СПП) классифицируются следующим образом:

• блок описательной статистики и исследовательского анализа исходных данных: анализ резко различимых значений исследуемого признака, восстановление недостающих значений, частотная обработка исходных данных (построение гистограмм, частотных полигонов, расчет средних дисперсий выборки и т.д.), проверка статистических гипотез об однородности исследуемых популяций, оценка критериев согласия, визуализация распределения статистических данных и др.;
• блок статистического изучения динамики и зависимостей: дисперсионный и ковариационный анализ, корреляционно-регрессионный анализ, анализ временных рядов и др.;
• блок классификации и снижения размерности: дискриминантный анализ, статистический анализ смесей распределений, кластерный анализ и др.;
• блок методов статистического анализа нечисловых данных и экспертных оценок: анализ таблиц сопряженности, log-линейных моделей, ранговых методов и др.;
• блок планирования экспериментов и выборочных исследований;
• блок вспомогательных программ.

Узкометодические СПП обычно реализуют несколько статистических методов или методы, используемые в конкретной предметной области. Чаще всего это системы, ориентированные на анализ временных рядов, корреляционно-регрессионный, факторный или кластерный анализ.

Хотя некоторые продукты имеют русскоязычную версию пользовательского интерфейса, подавляющее большинство статистических программ предназначены для ведения диалога с пользователем на английском языке. Поэтому для того, чтобы работать, специалисту дополнительно необходимо овладеть знанием терминологии и понять концепцию применения статистического анализа на иностранном языке. Отсутствие таких навыков снижает доказательную силу исследований, проводимых даже при самых современных статистических программах.

При выполнении экспертной работы для статистической обработки данных в настоящее время наиболее часто используются следующие виды статистического программного обеспечения.

MS Excel. Наиболее используемой программой для статистической обработки данных является приложение MS Excel. Продукт входит в базовый пакет Microsoft Office. Причинами популярности продукта являются дружественный и интуитивно понятный интерфейс, переведенный на русский язык, тесная интеграция с другими приложениями семейства Microsoft Office. Программа проста в освоении по сравнению с другими цифровыми, виртуальными средствами статистической обработки данных. Приложение специализировано для работы с электронными таблицами, и, по сути, MS Excel — это программа, где сложные математические расчеты являются дополнительными функциями и реализованы в виде встроенных формул. Отрицательной чертой является тот факт, что вычисления, сделанные при помощи базовой версии MS Excel, не признаются научными кругами и печатными изданиями. Без подключения дополнительных модулей в программе невозможно сразу построить качественные наглядные диаграммы и графики.

Однако для полноценного решения сложных статистических и инженерных задач в MS Excel возможно установить дополнительный набор средств анализа данных (так называемый пакет анализа). С помощью этих инструментов следует задать исходные данные и выбрать необходимые параметры, после чего анализ будет выполнен с помощью подходящей статистической или инженерной макрофункции, а результат помещен в назначенный выходной диапазон.

Для MS Excel также существует макродополнение XLSTAT-Pro. Оно включает в себя конструктор из более чем 50 статистических функций, которых в большинстве случаев достаточно для обычного использования при анализе массива данных. Эта надстройка является платным дополнением к MS Excel.

Для случаев, когда не требуется проводить кластеризацию данных, а лишь достаточно установить зависимости и дать статистическое описание исследуемых переменных, MS Excel, снабженный дополнительным пакетом статистических инструментов или набором макросов XLSTAT-Pro, можно считать наиболее экономически выгодным.

Программа STATISTICA. Программное обеспечение для обработки данных STATISTICA — это универсальная система, разработанная компанией StatSoft, была признана экспертными и научными организациями за предоставление мощных и простых в использовании инструментов для статистического и графического анализа, прогнозирования, создания собственных пользовательских приложений, интеграции, совместной работы, веб-доступа и т.д. Программа построена по модульному принципу, и каждый рабочий модуль выполняет определенный набор функций. Основными особенностями программного продукта являются следующие особенности:

• представление графических интерпретаций и результатов;
• поддержка всех стандартов современных офисных приложений;
• расширение функциональности пакета с помощью встроенного языка программирования Statistica Visual Basic;
• использование широкого спектра математических методов.

Это программное обеспечение имеет модифицированные версии для многих сфер деятельности.

Учитывая особенности обрабатываемых специфических показателей и условия применения методик, с помощью программы STATISTICA легко автоматизируются следующие задачи медицинской отрасли:

Рис. 21

Программа CombiStats разработана Европейским директоратом по качеству ЛС и здравоохранения и является специализированным программным обеспечением. Данная программа предназначена для статистической обработки данных, полученных в результате лабораторных исследований. Программа может выполнять расчеты в соответствии с гл. 5.3 Европейской фармакопеи (5-е издание 01/2005, 8-е издание 01/2014), включая следующие модели:

• модели параллельных линий;
• пробит-модели;
• расчет ЕД50;
• модели логистических кривых с 4 и 5 параметрами;
• модели разовой дозы.

Производитель утверждает, что CombiStats — это статистическая программа, предназначенная для использования сотрудниками, ответственными за анализ лабораторных данных. Программное обеспечение предназначено в первую очередь для анализа, описанного в Европейской фармакопее.

Программа StatLIA — специализированное программное обеспечение для обработки статистических данных, разработанное компанией Brendan Technologies. Программа используется в медицине для обработки информации, полученной в ходе лабораторной диагностики. Основными особенностями этого статистического программного обеспечения являются:

• соблюдение 21CFR Pt. 11;
• интеграция с лабораторными анализами (например, BioRad);
• загрузка рабочих списков и результатов с лабораторных анализов;
• наличие множества настраиваемых шаблонов рабочих интерфейсов, позволяющих совершать коллективные действия при работе над единым массивом данных.

Программное обеспечение сокращает время, затрачиваемое на ввод данных, предназначенных для последующей статистической обработки, но требует трудоемкого подключения и настройки оборудования и программы.

STARLIMS. Лабораторные информационные системы STARLIMS имеют встроенный набор инструментов для статистической обработки данных и возможность подключения специализированных аналитических модулей.

Таким образом, существует широкий спектр доступного программного обеспечения для анализа данных, каждое из которых имеет свои особенности, возможности и уровень подготовки, необходимый для их эффективного использования. Каждый из них имеет свои сильные и слабые стороны и используется в различных целях. Выбор того или иного пакета будет зависеть от конкретных целей исследования.

Глава 3. ЦИФРОВЫЕ ИНСТРУМЕНТЫ ДЛЯ УПРАВЛЕНИЯ КАЧЕСТВОМ В ФАРМАЦЕВТИЧЕСКОЙ ОТРАСЛИ

Фармацевтическая система качества

Фармацевтическая отрасль является одной из наиболее регулируемых, где качество продукции имеет первостепенное значение.

Фармацевтическая система качества (ФСК) представляет собой комплексный подход к обеспечению качества ЛС и медицинских продуктов. Она включает в себя организационные меры, процедуры, стандарты и ресурсы, направленные на соответствие продукции установленным требованиям и стандартам, таким как надлежащая производственная практика (GMP), и другим регуляторным нормам. ФСК имеет три основные задачи:

1. Реализация продукции надлежащего качества.

2. Создание и поддержание систематического контроля.

3. Непрерывное совершенствование.

В последние годы цифровые технологии стремительно внедряются в различные аспекты управления качеством, позволяя повысить эффективность, точность и прозрачность процессов.

Фармацевтическая система качества (ФСК) является ключевым элементом обеспечения качества ЛС, и использование цифровых инструментов способствует ее совершенствованию.

Для цифровизации ФСК часто используют программное обеспечение для управления жизненным циклом продукта (PLM) и системами планирования ресурсов предприятия (ERP). Интеграция с программным обеспечением для окружающей среды, здоровья и безопасности (англ. Environment, health and safety; EHS) также важна для защиты сотрудников и окружающей среды.

В программном обеспечении для ФСК реализованы несколько следующих основных функциональных блоков.

Управление документами. Цифровые системы управления данными и документацией, такие как электронные системы управления документами (EDMS) и системы управления жизненным циклом продукции (PLM), позволяют централизованно хранить, контролировать и отслеживать всю документацию, связанную с качеством. Это способствует повышению точности, доступности и целостности данных, а также упрощает процессы аудита и соответствия установленным требованиям. Документооборот, контроль версий документов, проверка и утверждение документов с использованием электронных подписей, шаблонов и связей между ними являются ключевыми компонентами системы ФСК. Данный функционал позволяет значительно сократить объем бумажных документов и осуществить цифровую трансформацию бизнес-процессов. При этом должны соблюдаться требования к электронным подписям и записям, такие как возможность достоверно установить, кто, когда и какие действия совершал с данным документом.

Во многих случаях путь документа в системе ФСК настраивается таким образом, чтобы обеспечить соответствие требованиям стандарта GxP, регулирующего данный бизнес-процесс.

Управление обучением. Функционал управления обучением также может быть либо интегрирован в единый комплекс в составе системы ФСК, либо перенесен в отдельный программный продукт — систему управления обучением (англ. Learning Management System; LMS). Он способен управлять досье обучения сотрудников, автоматизированными учебными заданиями, администрированием работы и планами обучения (учебными программами), отчетами о приверженности обучению и поддержанию ключевых показателей эффективности (KPI). Это позволяет автоматизировать допуск сотрудников к выполнению тех или иных операций в зависимости от пройденных инструктажей и учебных курсов.

Оценка риска/воздействия. Оценка, которая включает в себя расчет риска на основе серьезности воздействия и вероятности. Система СМК позволяет организовать ведение информации о выявленных рисках в структурированном виде с привязкой к процессам, участвующим в них сотрудникам, используемому оборудованию, материалам и документам, их регламентирующим.

Управление жалобами и претензиями. Эта функция включает в себя обработку жалоб, расследование, анализ первопричин и планы CAPA. Функционал СМК-систем может взять этот функционал полностью на себя или позволить интегрировать получение сообщений о претензиях из внешней системы управления взаимоотношениями с клиентами (CRM).

Управление аудитом. Эта функция включает поддержку жизненного цикла аудита с момента постановки целей и планирования до формирования отчетности и трансфера результатов в другие функциональные модули. Основными преимуществами использования цифровой системы являются учет всех аудитов, выявленных несоответствий, корректирующих действий, сроков их внедрения и ответственных за их внедрение.

Качество поставщика. Управление поставщиками позволяет автоматизировать аудиты, ведение оценочных карт, запросов на корректирующие действия поставщика (англ. Supplier Corrective Action Request; SCAR). Программные системы позволяют как вести реестры поставщиков и связанных с ними товаров или услуг, так и планировать мероприятия по их аудиту. При этом в некоторых случаях системы СМК позволяют исключить использование бумажных документов для оценки, а также получить необходимую информацию в цифровом виде.

Техническое обслуживание и управление оборудованием. Управление аппаратными записями и связанными с ними журналами и документами в большинстве случаев включает интеграцию систем ERP и ФСК. ERP-системы автоматизируют бухгалтерский учет. Управление плановыми ремонтными работами (профилактика, калибровка, валидация и т.д.), другими видами профилактических работ, отслеживание назначений и неисправностей оборудования контролируются информационной системой. В некоторых случаях этот функционал может быть полностью перенесен в ERP-систему.

Управление лабораторными исследованиями (англ. Laboratory Information Management System; LIMS) — это программное обеспечение, предназначенное для управления лабораторными рабочими процессами и документами. Оно оптимизирует сбор, анализ, возврат и отчетность лабораторных данных. Оно часто используется в сочетании с системами управления производственными процессами MES (англ. Manufacturing Execution System), включая настройку протоколов, методов, сертификацию, планирование исследований и управление образцами.

Электронное досье на серию. Ведение электронных записей по серии ЛС позволяет заменить ручной труд при формировании документации, сопровождающей производство. Отслеживание процесса на различных этапах производства в системе осуществляется путем сбора всей необходимой информации в момент перемещения сырья, использования оборудования, получения данных от средств измерений и выполнения действий персоналом. Лабораторные исследования, относящиеся к выпускаемой серии, могут проводиться как в системе ФСК, так и в LIMS.

Отслеживание оборудования, связанного с произведенными сериями и связанными с ними неисправностями, достигается за счет наличия связей между данными. Управление несоответствиями и отклонениями становится частью контроля образцов (сырья и готовой продукции), также автоматизировано путем их маркировки уникальными штрихкодами.

Управление рисками

Фармацевтическая отрасль играет решающую роль в обеспечении безопасности, эффективности и качества ЛС, используемых для лечения широкого спектра заболеваний и состояний, с учетом этого для фармацевтических компаний важно внедрить эффективные методы управления рисками для своевременного выявления потенциальных рисков на протяжении всего жизненного цикла продукта.

В фармацевтической отрасли риски могут возникнуть на любой стадии процесса разработки и производства продукта, в том числе во время исследований и разработок, клинических исследований и пострегистрационного надзора.

Существует несколько типов рисков, которые фармацевтические компании должны учитывать при управлении своей деятельностью (табл. 14).

Таблица 14. Виды рисков в фармацевтической отрасли

Виды рисков	Источник возникновения	Причины возникновения
Регуляторные риски	Жесткое регулирование обращения ЛС на национальном и международном уровнях	Необходимость соответствия стандартам, установленным регулирующими органами для получения разрешения на доступ к рынку
Риски доклинических и клинических исследований	Критический этап в разработке нового ЛП	Возможность возникновения неожиданных побочных эффектов или нежелательных явлений
Производственные риски	Сложность процесса фармацевтического производства, который требует тщательного контроля и мониторинга для обеспечения качества и безопасности конечного продукта	Возможность ошибок в производственном процессе, загрязнения или использования некачественного сырья
Риски интеллектуальной собственности	Значительные вложения фармацевтических компаний в разработку новых ЛС и патентная защита интеллектуальной собственности	Возможность оспаривания патентов компании или признания их недействительными или невозможность получения патентов для коммерциализации продукции

Несмотря на важность управления рисками в фармацевтической отрасли, существует ряд проблем:

Ограниченные ресурсы: усилия по управлению рисками требуют времени, денег и персонала, а фармацевтические компании могут не иметь достаточных ресурсов для управления рисками.

Сложная и динамичная операционная среда: фармацевтическая отрасль подвержена постоянным изменениям: новые правила, технологии и рыночные условия возникают все время. Это затрудняет компаниям эффективное прогнозирование и управление рисками.

Ожидания заинтересованных сторон: фармацевтические компании должны сбалансировать необходимость управления рисками с ожиданиями заинтересованных сторон, включая акционеров, регулирующие органы и общественность. Чтобы преодолеть эти проблемы и эффективно управлять рисками, фармацевтические компании должны внедрять лучшие практики, такие как:

• развитие культуры управления рисками: компании должны уделять приоритетное внимание управлению рисками и поощрять предупреждающий подход к выявлению и смягчению рисков во всей организации;

• проведение регулярных оценок рисков: компании должны регулярно анализировать и оценивать потенциальные риски для выявления возникающих угроз и приоритизации усилий по управлению рисками;
• создание риск-ориентированного подхода к принятию решений: компании должны учитывать потенциальные риски и выгоды различных направлений действий при принятии решений;
• взаимодействие с заинтересованными сторонами: компании должны эффективно общаться с заинтересованными сторонами об усилиях по управлению рисками и вовлекать их в процесс управления рисками.

Управление рисками является критическим аспектом фармацевтической отрасли, так как помогает обеспечить безопасность, эффективность и качество ЛС и защитить интересы всех заинтересованных сторон.

Программное обеспечение для оценки рисков помогает компаниям выявлять и оценивать риски с использованием ряда аналитических инструментов и источников данных. Это может включать финансовые данные, рыночные тенденции и установленную информацию, а также данные из внутренних процессов и систем.

Программное обеспечение для управления инцидентами помогает компаниям отслеживать, расследовать и разрешать инциденты или несчастные случаи, которые происходят на рабочем месте. Он также может использоваться для отслеживания и отчетности о показателях безопасности.

Программное обеспечение для управления качеством помогает компаниям управлять качеством своих продуктов и процессов, в том числе путем использования мер контроля качества и документации.

Программное обеспечение для управления рисками предприятия помогает компаниям управлять рисками в организации, предоставляя централизованную платформу для оценки, контроля и отчетности по рискам.

Существует множество примеров того, как фармацевтические компании внедряют эффективные методы управления рисками для устранения различных видов рисков. Вот несколько тематических исследований, иллюстрирующих, как управление рисками может быть применено в отрасли:

• управление рисками клинических исследований: в 2018 году клиническое исследование экспериментального ЛП, разработанного португальской фармацевтической компанией Bial, привело к смерти пяти участников. Судебное разбирательство проводилось во Франции, и инцидент привел к широкомасштабному расследованию и регламентационным действиям. Позже инцидент был приписан ошибке в процессе производства, которая привела к образованию примеси в ЛП. В ответ на инцидент Bial реализовала ряд мер по улучшению своей практики управления рисками, включая совершенствование процессов контроля качества и обучение сотрудников;
• управление рисками интеллектуальной собственности: в 2015 году фармацевтическая компания Allergan столкнулась с проблемой патента на свой популярный ЛП для лечения синдрома сухого глаза Restasis. Проблема была вызвана производителями дженериков, которые стремились продавать свои собственные версии ЛС. Чтобы защитить свою интеллектуальную собственность и доходы, Allergan реализовала ряд стратегий, включая заключение лицензионных соглашений с производителями дженериков и возбуждение судебных исков для защиты своих патентов.

Регулирующие органы играют важнейшую роль в обеспечении безопасности и эффективности ЛС, и защите населения от потенциальных рисков. В фармацевтической отрасли регулирующие органы устанавливают стандарты и требования к разработке, производству и маркетингу ЛС, и они имеют полномочия обеспечивать соблюдение этих требований посредством проверок, предупреждений, штрафов и других санкций.

FDA отвечает за регулирование фармацевтической отрасли и имеет несколько программ и инициатив для поддержки управления рисками в отрасли, включая программу «Стратегия оценки и смягчения рисков» (REMS), которая требует от компаний разработки и реализации планов по управлению рисками, связанными с определенными ЛП. FDA также имеет право требовать от фармацевтических компаний проведения пострегистрационных исследований или надзора для мониторинга безопасности их продуктов, как только они появятся на рынке.

В Европейском союзе EMA отвечает за регулирование фармацевтической отрасли. EMA имеет аналогичную программу под названием «План управления рисками», которая требует от компаний выявления и оценки рисков, связанных с их продуктами, и реализации мер по управлению этими рисками.

С 1 июля 2021 г. в соответствии с Постановлением Правительства РФ от 29 июня 2021 г. № 1049 «О федеральном государственном контроле (надзоре) в сфере обращения лекарственных средств» для Росздравнадзора установлены новые правила контроля (надзора) в сфере обращения лекарств, предусмотрено применение риск-ориентированного подхода и приведены соответствующие критерии.

Орган государственного контроля при осуществлении федерального государственного контроля (надзора) в сфере обращения лекарственных средств относит объекты государственного контроля к одной из следующих категорий риска причинения вреда (ущерба) (далее — категории риска):

Растущее использование цифровых технологий в здравоохранении, таких как электронные медицинские карты и телемедицина, может создать новые риски, такие как нарушения безопасности данных и нарушения конфиденциальности. Компаниям необходимо будет внедрить надежные методы управления рисками для защиты от них.

Риски цепочки поставок: глобальная цепочка поставок ЛП сложна и уязвима к сбоям, таким как стихийные бедствия, политическая нестабильность и задержки в транспортировке. Компаниям необходимо будет оценивать и управлять этими рисками, чтобы обеспечить непрерывные поставки основных ЛС.

Экологические риски: фармацевтическая отрасль оказывает значительное воздействие на окружающую среду, в том числе за счет использования энергии, воды и других ресурсов, а также образования отходов. Управление рисками является критическим аспектом фармацевтической отрасли, так как помогает обеспечить безопасность, эффективность и качество ЛС и защитить интересы всех заинтересованных сторон.

Управление расследованиями отклонений и несоответствий

Наиболее распространенные несоответствия правил GMP касаются контроля качества готовой продукции. Например, если выпуск лекарственных средств осуществляется без полного спектра исследований, это может привести к серьезным последствиям для здоровья пациентов. Часто выявляются проблемы с организацией производственного процесса, особенно при производстве стерильных лекарств. Например, отбор проб сырья в неклассифицированной зоне является серьезным нарушением.

Электронное управление отклонениями — эта функция позволяет создавать, просматривать и утверждать отчеты об отклонениях в электронном виде, устраняя необходимость в бумажных системах, а также отслеживать прогресс отклонений и выявлять тенденции.

Анализ первопричин — эта функция позволяет идентифицировать основную причину отклонений с помощью таких инструментов, как диаграммы Исикавы и «5 почему», осуществлять корректирующие и предупреждающие действия для предотвращения будущих отклонений.

Управление расследованиями — эта функция позволяет создавать, просматривать и утверждать отчеты о расследованиях в электронном виде, а также отслеживать ход расследований и выявлять тенденции.

Управление CAPA — эта функция позволяет отслеживать корректирующие и предупреждающие действия, чтобы гарантировать, что они реализованы эффективно и результативно, выявлять тенденции и внедрять общесистемные усовершенствования. Эффективное расследование отклонений и несоответствий имеет решающее значение для обеспечения качества и безопасности фармацевтической продукции. Компьютерные системы могут обеспечить надежные и эффективные средства для управления этими процессами и обеспечения устранения отклонений и эффективного осуществления корректирующих и предупреждающих действий.

Существуют преимущества использования компьютерных систем для управления отклонениями и расследованиями в фармацевтической отрасли (см. рис. 22).

Преимущества использования компьютерных систем для управления отклонениями и расследований

Рис. 22

Существуют также некоторые потенциальные проблемы с внедрением компьютерных систем управления расследованиями отклонений и несоответствий (см. рис. 23).

Проблемы с внедрением компьютерных систем управления отклонениями и расследованиями

Рис. 23

При внедрении компьютерных систем управления отклонениями и расследованиями важно тщательно рассмотреть конкретные потребности и процессы организации, а также учесть любые потенциальные проблемы (см. рис. 24).

Этапы работы при внедрении компьютерных систем управления отклонениями и проведением расследований

Рис. 24

Существует ряд правил, которые следует учитывать при внедрении компьютерных систем управления отклонениями:

Вовлечение всех соответствующих заинтересованных сторон в процесс отбора и внедрения: важно обеспечить, чтобы система отвечала потребностям всех соответствующих заинтересованных сторон, таких как персонал по вопросам качества, производства и регулирования, что может помочь обеспечить полное использование системы и удовлетворение потребностей организации.

Обеспечение того, чтобы система была удобной для пользователя: это важно, чтобы персонал мог эффективно и результативно ориентироваться в ней. Для этого необходимо проведение профессиональной подготовки персонала.

Обеспечение полной интеграции с другими системами: система должна быть полностью интегрирована с другими системами, такими как системы управления качеством и общеорганизационного планирования ресурсов, для обеспечения эффективного и действенного обмена информацией.

Обеспечение надлежащей проверки системы: система управления расследованиями отклонений и несоответствий должна быть проверена, чтобы убедиться, что она функционирует должным образом. Это может включать в себя тестирование системы, чтобы убедиться, что она надежна и точна.

Обеспечение резервного копирования и безопасности данных: важно обеспечить регулярное резервное копирование данных, чтобы предотвратить потерю в случае сбоя системы. Кроме того, должны быть приняты соответствующие меры для защиты конфиденциальной информации и обеспечения безопасности данных.

Обеспечение регулярного обзора и обновления системы: система должна регулярно пересматриваться для обеспечения того, чтобы она отвечала потребностям организации, и для выявления любых областей, требующих улучшения. Система также должна обновляться по мере необходимости, чтобы гарантировать ее соответствие лучшим практикам в отрасли.

Существует ряд доступных компьютерных систем, которые поддерживают управление отклонениями и расследованиями. Данные системы позволяют создавать, просматривать и утверждать отчеты об отклонениях в электронном виде и включают в себя инструменты для анализа первопричин и управления корректирующими и предупреждающими действиями (CAPA). Они также включает в себя функции для управления обучением и управления поставщиками. Примерами таких систем могут служить:

• MasterControl DeviationTM;
• ValGenesis ;
• TrackWise ;
• Arena Deviation Management;
• Q-Pulse ;
• Dot Compliance.

Существует множество других доступных вариантов, и организациям важно тщательно учитывать свои конкретные потребности и требования при выборе системы.

Управление претензиями

Управление претензиями — это процесс своевременной и эффективной обработки и разрешения жалоб клиентов. Это важный аспект обслуживания клиентов, который может оказать значительное влияние на удовлетворенность и лояльность клиентов.

Система управления претензиями — это структурированный процесс получения, документирования и реагирования на жалобы клиентов о продуктах или услугах компании.

Существует несколько ключевых компонентов эффективной системы управления претензиями в фармацевтической отрасли (табл. 15).

Компоненты	Содержание	Действия
Получение жалоб	Обеспечение отслеживания и надлежащего рассмотрения жалоб	Документирование всех жалоб в центральной базе данных или системе
Расследование жалоб	Определение основной причины проблемы и любых потенциальных рисков для потребителя	Тестирование продукта, просмотр производственных записей и консультации с экспертами
Ответ на жалобы	Предоставление ответа клиенту с изложением шагов, предпринятых для решения проблемы	Предоставление заменяющего продукта или выдача возмещения, а также любые другие необходимые действия
Отчетность и отслеживание	Определение областей для улучшения продуктов и процессов компании	Сообщения обо всех полученных претензиях, включая характер претензии, предпринятые действия и любые возникающие тенденции или закономерности

Эффективно управляя претензиями клиентов, фармацевтические компании могут обеспечить безопасность, эффективность и качество ЛС, защитить свою репутацию и повысить удовлетворенность клиентов.

Эффективная система управления претензиями должна быть динамичной и постоянно совершенствоваться. Это может включать в себя регулярный обзор и обновление процессов, анализ данных и тенденций из предыдущих жалоб, а также выявление и внедрение новых передовых методов.

В дополнение к этим внутренним процессам компании фармацевтической отрасли также обязаны сообщать об определенных типах жалоб в регулирующие органы.

В настоящее время существуют платформы обслуживания клиентов, которые включают в себя ряд инструментов для управления претензиями клиентов, включая базу знаний и интеграцию с популярными каналами связи, такими как электронная почта и социальные сети:

Это лишь ряд примеров программных систем, доступных для управления претензиями клиентов фармацевтическими компаниями. Для каждой конкретной компании важно выбрать систему, которая отвечает их потребностям и соответствует их общей стратегии обслуживания клиентов.

В целом надежная и эффективная система управления претензиями имеет важное значение для обеспечения безопасности, эффективности качеством в фармацевтической отрасли и качества ЛС, а также для поддержания доверия и удовлетворенности клиентов.

Внедряя лучшие практики и постоянно совершенствуя процессы, компании могут эффективно управлять претензиями клиентов и защищать здоровье и благополучие потребителей.

Управление изменениями

Управление изменениями — это процесс выявления, оценки и внедрения изменений в системы, процессы и организационные структуры. Это важнейший компонент обеспечения плавного и эффективного внесения изменений с минимальным нарушением работы организации и ее деятельности.

Одним из ключевых аспектов управления изменениями является эффективная коммуникация и сотрудничество между членами команды и заинтересованными сторонами. Данный аспект может включать в себя проведение совещаний, отправку обновлений и предупреждений, а также обучение и предоставление поддержки для обеспечения готовности к вводимым изменениям.

Необходимо, чтобы компьютеризированные системы имели достаточный уровень контроля для предотвращения несанкционированного доступа к данным или изменения данных. Необходимо предусмотреть меры по предотвращению недостаточности данных (например, в связи с отсутствием регистрации данных вследствие отключения системы). Должна регистрироваться информация о любых изменениях данных, о последнем вводе данных, а также о том, кем и когда они были сделаны.

Сбои в работе компьютеризированных систем, которые могут повлиять на качество промежуточной продукции или АФС, на достоверность записей или результатов исследований, следует оформлять документально и расследовать.

Изменения в компьютеризированных системах необходимо осуществлять в соответствии с процедурами внесения изменений, официально их санкционировать, оформлять документально и тестировать. Следует сохранять записи всех изменений, включая модификацию и усовершенствование компьютерного оборудования, программного обеспечения и других критических компонентов системы. Эти записи должны быть доказательством того, что система поддерживается в валидированном состоянии.

Ниже представлен обзор программных решений, которые могут поддерживать управление изменениями различными способами:

1. Программное обеспечение для управления проектами может использоваться для создания и отслеживания планов управления изменениями, включая определение масштабов изменений, установление сроков и этапов, а также распределение ресурсов. Например, организация, внедряющая новую ИТ-систему, может использовать программное обеспечение для управления проектами для отслеживания хода выполнения таких задач, как установка оборудования, миграция данных и обучение сотрудников новой системе.

2. Инструменты для совместной работы: групповой чат, видеоконференции или онлайн-обмен документами могут использоваться для облегчения общения и сотрудничества между членами команды и заинтересованными сторонами в процессе управления изменениями. Например, организация, внедряющая новую систему управления персоналом, может использовать групповой чат для обмена обновлениями и обсуждения любых проблем, возникающих в процессе внедрения.

3. Программное обеспечение для управления рисками: управление изменениями часто включает в себя выявление и управление рисками, связанными с изменениями. Программные решения, такие как инструменты управления рисками, могут использоваться для выявления и оценки рисков, отслеживания их состояния и разработки стратегий их смягчения или устранения.

4. Программное обеспечение для управления соответствием требованиям может использоваться для отслеживания и управления соответствием этим требованиям, включая отслеживание изменений и их влияния на соответствие.

5. Программное обеспечение для анализа данных: чтобы оценить влияние изменений на организацию, может быть полезно собирать и анализировать данные по ключевым показателям, таким как производительность, удовлетворенность клиентов и финансовые показатели. Программные решения сбора и анализа этих данных помогают организациям понять влияние изменений и определить области для улучшения.

Для поддержки процессов управления изменениями в настоящее время созданы следующие программные решения:

1. Программное обеспечение для управления проектами: Asana, Trello, Microsoft Project.

2. Инструменты для совместной работы: Microsoft Teams, Zoom.

3. Программное обеспечение для управления рисками: RiskLens, SafetyNet, DNV GL Integrity.

4. Программное обеспечение для управления соответствием требованиям: Qualio, MasterControl, ETQ Reliance .

5. Программное обеспечение для анализа данных: Microsoft Excel, Google Analytics.

Управление изменениями может быть также связано с компьютерными системами, используемыми фармацевтическими компаниями, что является важным компонентом поддержания целостности, безопасности и эффективности этих систем, а также обеспечения соответствия установленным требованиям. Процесс управления изменениями для компьютерных систем в фармацевтической отрасли является важным компонентом поддержания целостности и эффективности этих систем, а также обеспечения соответствия установленным требованиям.

Следуя структурированному и систематическому подходу, организации могут гарантировать, что изменения в их компьютерных системах внедряются плавно и эффективно, сводя к минимуму сбои и максимизируя преимущества изменений.

Внедрение новых ИТ-систем: фармацевтическим компаниям часто приходится внедрять новые ИТ-системы для поддержки своей деятельности. Средства управления изменениями можно использовать для планирования и отслеживания внедрения этих систем, включая такие задачи, как установка оборудования, миграция данных и обучение сотрудников новой системе.

Обновление процессов соблюдения установленных требований: фармацевтические компании подчиняются целому ряду установленных требований, а изменения в этих требованиях могут оказать значительное влияние на их деятельность. Инструменты управления изменениями можно использовать для отслеживания и управления соответствием этим требованиям, включая выявление и устранение любых изменений, которые могут потребоваться в политиках, процедурах или процессах.

Внедрение новых продуктов или услуг: инструменты управления изменениями также могут быть полезны, когда фармацевтические компании внедряют новые продукты или услуги, поскольку они могут помочь планировать и отслеживать запуск этих продуктов и обеспечивать их плавное и эффективное внедрение.

Внедрение усовершенствований процессов: инструменты управления изменениями также могут использоваться для выявления и внедрения улучшений процессов в фармацевтической компании.

Например, компания может использовать инструменты управления изменениями для отслеживания и мониторинга влияния изменений на производственные процессы или методы управления цепочками поставок. В целом инструменты управления изменениями могут обеспечить серьезные преимущества для фармацевтических компаний во внедрении и управлении изменениями в их системах, процессах и организационных структурах.

Управление корректирующими и предупреждающими действиями

Корректирующие и предупреждающие действия (англ. Corrective and Preventive Actions; CAPA) — это процессы, которые используются в фармацевтической отрасли для выявления, оценки и решения проблем, которые могут повлиять на качество продуктов или процессов.

Эти действия предназначены для предотвращения возникновения или повторения проблем, а также для обеспечения того, чтобы продукты и процессы соответствовали нормативным требованиям и отраслевым стандартам.

Далее мы рассматриваем принципы и методы управления CAPA в контексте методов GAMP (англ. Good Automated Manufacturing Practice) и современных руководств по валидации компьютеризированных систем.

Основные этапы управления CAPA включают:

1. Выявление проблемы: необходимо использовать системы мониторинга, чтобы выявлять несоответствия и отклонения от норм. В цифровую эпоху применение больших данных и аналитики позволяет более оперативно реагировать на возникающие проблемы.

2. Анализ причин: для глубокого понимания проблемы применяются такие методы, как метод «5 почему» или диаграммы Исикавы. Это помогает не только выявить первопричины, но и оценить влияние различных факторов.

3. Корректирующие действия: на основе аналитики разрабатываются именно те действия, которые устранят выявленные проблемы. Важно, чтобы эти действия были задокументированы и проверены на эффективность.

4. Профилактические меры: направлены на предотвращение повторного возникновения проблем. Они могут включать обучение сотрудников, изменения в процедурах и улучшение систем управления.

5. Мониторинг и оценку результатов: после внедрения корректирующих и предупреждающих действий необходимо отслеживать их эффективность. В этом процессе можно использовать KPI.

Применение GAMP в управлении CAPA подчеркивает важность валидации компьютеризированных систем. В соответствии с GAMP каждая система должна быть валидирована, чтобы гарантировать, что она работает в соответствии с установленными требованиями и подразумевает:

1. Классификацию систем: определение уровня сложности и соответствия системы требованиям GAMP. Например, системы могут быть классифицированы как программное обеспечение общего назначения, настраиваемое программное обеспечение или специализированные решения.

2. Повторяемость процессов: важно, чтобы CAPA-процессы были стандартизированы и легко воспроизводимы.

3. Подход к валидации: должен быть основан на оценке рисков, что позволяет сосредоточиться на наиболее важных областях.

Важным аспектом управления CAPA является применение принципов ALCOA+ (данные должны сопровождаться информацией о происхождении, легко читаться, своевременно регистрироваться, представлять собой подлинник и быть точными), что обеспечивает надежность данных.

ALCOA включает в себя следующие компоненты:

• Attributable (прослеживаемость): данные должны быть прослеживаемы до лица, создавшего запись;
• Legible (читаемость): данные должны быть читаемы;
• Contemporaneous (своевременность): данные должны быть записаны в момент их получения или наблюдения;
• Original (подлинность): данные должны быть оригинальными, первичными;
• Accurate (точность): данные должны быть точными.

Эти принципы применимы как к данным, создаваемым электронными, так и бумажными системами, и они являются частью надлежащей практики документирования (GDocP), которая встраивается в фармацевтическую систему качества.

ALCOA+ является расширенной версией ALCOA, включающей дополнительные атрибуты, которые обеспечивают более комплексный контроль за целостностью данных. Эти дополнительные атрибуты включают:

Complete (полнота): вся информация, критическая для воссоздания события, должна быть уместной и соответствующей;

Consistent (последовательность): надлежащая практика документирования должна применяться на протяжении всего процесса;

Enduring (устойчивость): данные должны оставаться нетронутыми и доступными в неудаляемом/«надежном» формате на протяжении всего требуемого периода;

Available (доступность): записи должны быть доступны для рассмотрения в любое время в течение требуемого периода хранения.

Управление корректирующими и предупреждающими действиями (CAPA) без использования средств автоматизации является трудоемким и подверженным ошибкам процессом.

Без автоматизации управление CAPA может включать ручное отслеживание и обновление информации в электронных таблицах или бумажных формах, что может привести к ошибкам и задержкам. Также может быть трудно обеспечить последовательное выполнение всех необходимых шагов и обеспечить четкий отчет о принятых мерах. Напротив, управление CAPA с использованием средств автоматизации является более эффективным и действенным.

Одним из ключевых преимуществ использования инструментов автоматизации для управления CAPA является возможность стандартизации и оптимизации процесса. Средства автоматизации обеспечивают последовательное выполнение всех необходимых шагов и четкую запись предпринятых действий. Это особенно важно в фармацевтической отрасли, где нормативные требования и отраслевые стандарты являются обязательными, а несоблюдение может иметь серьезные последствия.

Средства автоматизации также могут облегчить отслеживание и отчетность о деятельности CAPA. Например, средства автоматизации могут использоваться для создания отчетов о состоянии открытых элементов CAPA или для предоставления истории действий, предпринятых для решения конкретной проблемы. Это поможет обеспечить своевременное решение вопросов и может предоставить важную информацию для нормативных аудитов.

Существует несколько типов инструментов автоматизации, которые обычно используются для управления CAPA в фармацевтической отрасли:

1. Системы на основе электронных таблиц: эти инструменты просты и удобны в использовании и могут быть настроены в соответствии с конкретными потребностями организации. Примерами систем на основе электронных таблиц, которые можно использовать для управления CAPA, являются Microsoft Excel и подобные продукты.

2. Программное обеспечение для управления качеством: эти инструменты специально разработаны для поддержки процессов управления качеством, включая управление CAPA. Примеры программного обеспечения для управления качеством, которое может быть использовано для управления CAPA, включают MasterControl, ETQ Reliance , Qumulus QMS.

TrackWise - это программное решение для управления качеством, которое предоставляет ряд функций для управления CAPA и другими процессами, связанными с качеством. Его можно использовать для отслеживания и отчетности о состоянии открытых элементов CAPA, а также для предоставления истории действий, предпринятых для конкретной проблемы. Оно также предоставляет функции для интеграции управления CAPA с другими процессами управления качеством, такими как отчетность о несоответствиях и претензиями клиентов.

Dot Compliance — это программное решение, которое предоставляет инструменты для управления соблюдением нормативных требований в фармацевтической отрасли. Оно включает в себя функции для управления CAPA, в том числе возможность отслеживать и сообщать об открытых элементах CAPA, а также предоставлять историю предпринятых действий. Оно также предоставляет инструменты для управления другими процессами соблюдения нормативных требований, такими как управление обучением, документами и аудиты.

3. Системы планирования ресурсов предприятия (ERP): эти инструменты предназначены для поддержки широкого спектра бизнес-процессов, включая управление качеством. Примеры ERP-систем, которые можно использовать для управления CAPA, включают SAP, Oracle и Microsoft Dynamics.

Существует несколько тематических исследований, которые демонстрируют преимущества использования средств автоматизации для управления процессом корректирующих действий и превентивных действий (CAPA) в фармацевтической отрасли.

Одним из примеров является тематическое исследование, опубликованное MasterControl, поставщиком программного обеспечения для управления качеством. В исследовании описывается, как фармацевтическая компания, используя программное обеспечение CAPA MasterControl для автоматизации своего процесса CAPA, повысила свою эффективность и соответствие требованиям. Компания смогла сократить время, необходимое для решения вопросов CAPA, на 50%.

Другим примером является тематическое исследование, опубликованное ETQ Reliance , поставщиком программного обеспечения для управления качеством. В данном случае фармацевтическая компания использовала программное обеспечение ETQ Reliance для автоматизации своего процесса CAPA, что также привело к повышению эффективности и соответствия требованиям. Компания смогла оптимизировать свой процесс CAPA и значительно сократила время, необходимое для решения вопросов CAPA.

Приведенные исследования свидетельствуют о том, что инструменты автоматизации могут способствовать повышению эффективности и результативности процесса CAPA. Средства автоматизации корректирующих и предупреждающих действий (CAPA) в фармацевтической промышленности являются ключевым элементом цифровой трансформации фармацевтической системы менеджмента качества.

Одним из ключевых требований к соответствию инструментам автоматизации CAPA является необходимость обеспечения их применимости. Валидация — это процесс подтверждения того, что система пригодна для ее предполагаемого использования.

Другие требования к соответствию инструментам автоматизации CAPA включают:

• целостность данных: инструменты автоматизации CAPA должны быть спроектированы и реализованы таким образом, чтобы обеспечить целостность данных, которые они собирают и хранят;
• безопасность: средства автоматизации CAPA должны быть защищены для предотвращения несанкционированного доступа или изменений в системе. С этой целью могут использоваться защита паролем, аутентификация пользователей и контроль доступа;
• документацию: средства автоматизации CAPA должны сопровождаться документацией, такой как руководства пользователя, руководства по установке и документы по проверке;
• контроль изменений: изменения в инструментах автоматизации CAPA должны должным образом контролироваться и документироваться, чтобы гарантировать, что они не оказывают негативного влияния на качество продуктов или процессов.

Процесс внедрения инструмента автоматизации корректирующих действий и превентивных действий (CAPA) в фармацевтической промышленности обычно включает в себя несколько этапов. Эти шаги могут варьироваться в зависимости от конкретного внедряемого инструмента и потребностей организации.

Первым шагом в реализации инструмента автоматизации CAPA является определение потребности в таком инструменте. Этот этап может включать в себя выявление проблем или проблем с текущим процессом CAPA, таких как неэффективность или трудности в обеспечении соблюдения.

Следующим шагом является выбор инструмента, который подходит для потребностей организации. Этот этап может включать оценку различных вариантов и рассмотрение таких факторов, как функциональность, стоимость и совместимость с существующими системами. Затем происходит его настройка в соответствии с конкретными потребностями организации. Этот этап может включать настройку учетных записей пользователей, определение рабочих процессов, а также импорт существующих данных.

Перед использованием инструмента автоматизации CAPA важно проверить его, чтобы убедиться, что он функционирует правильно и соответствует требованиям организации. Этот этап может включать в себя тестирование инструмента, чтобы убедиться, что он является точным и надежным, и документирование процесса проверки.

После того как инструмент автоматизации CAPA был проверен, следующим шагом является обучение пользователей тому, как его использовать. Этот этап может включать предоставление учебных материалов и проведение учебных занятий для обеспечения того, чтобы пользователи были знакомы с инструментом и знали, как его эффективно использовать. После настройки, проверки и обучения пользователей средства автоматизации CAPA готовы к использованию в производственной среде.

Управление ресурсами и поставщиками

Управление ресурсами относится к процессу закупки и управления различными материалами, необходимыми для производства и распространения фармацевтической продукции. К ним относятся сырье, упаковочные материалы, инструменты и оборудование. Эффективное управление поставками имеет решающее значение для обеспечения безопасности, эффективности и качества ЛС, а также для поддержания бесперебойного и эффективного производственного процесса.

Управление поставщиками, с другой стороны, относится к процессу выявления, оценки и управления отношениями с поставщиками, которые предоставляют материалы, необходимые для производства. Управление поставщиками включает в себя заключение контрактов, согласование условий, мониторинг производительности и управление любыми проблемами, которые могут возникнуть. Эффективное управление ресурсами и управление поставщиками имеют важное значение для успеха любой фармацевтической компании. Эти процессы помогают обеспечить доступность необходимых материалов, когда это необходимо, а также минимизируют затраты и обеспечивают безопасность, эффективность и качество ЛС.

Одним из способов улучшения управления ресурсами и поставщиками является использование специализированных программных решений. Эти системы могут помочь оптимизировать и автоматизировать различные аспекты процесса, такие как поиск поставщиков, закупки и оценка поставщиков. Характеристиками этих систем могут являться:

• база данных поставщиков: централизованное хранилище информации обо всех поставщиках компании, включая их контактную информацию, предложения продуктов и историю производительности;
• управление запросом котировок: система создания и управления запросами котировок от поставщиков, включая возможность сравнения котировок и выбора наилучшего варианта;
• управление заказами на поставку: система для создания, отслеживания и утверждения заказов на поставку, а также для управления получением и оплатой товаров;
• оценка поставщиков: система оценки и ранжирования поставщиков на основе различных критериев, таких как производительность доставки, качество и стоимость;
• управление запасами: система отслеживания и управления уровнями запасов и переупорядочивания поставок по мере необходимости.

Использование специализированных программных решений повышает эффективность и результативность управления поставками и поставщиками в фармацевтической промышленности, а также обеспечивает безопасность, действенность и качество производимой продукции. В дополнение к указанным, некоторые современные программные решения для управления ресурсами и поставщиками могут также предлагать дополнительные возможности, такие как:

• интеграция с другими системами: возможность интеграции с другими системами, такими как планирование ресурсов предприятия (ERP) или планирование потребностей в материалах, может помочь оптимизировать общий процесс цепочки поставок и повысить эффективность;
• отслеживание и видимость в режиме реального времени: передовые системы могут предлагать отслеживание в режиме реального времени и видимость состояния заказов, отгрузок и других ключевых действий в цепочке поставок. Это может помочь выявить потенциальные проблемы или узкие места до того, как они станут серьезными проблемами;
• средства совместной работы и коммуникации: некоторые системы могут включать инструменты для совместной работы с поставщиками и другими заинтересованными сторонами, такие как общие календари, управление документами и функции управления проектами;
• прогнозная аналитика: некоторые системы могут использовать прогнозную аналитику для прогнозирования будущего спроса и помощи в планировании и оптимизации.

Стоит отметить, что внедрение программного решения для управления поставками и поставщиками может быть сложным и трудоемким процессом, особенно в фармацевтической отрасли, где соблюдение нормативных требований является серьезной проблемой.

Важно тщательно оценить потребности и цели организации, а также различные доступные варианты, прежде чем принимать решение. Работа с надежным поставщиком программного обеспечения с опытом работы в фармацевтической промышленности может помочь обеспечить плавное и успешное внедрение.

Другим важным аспектом управления ресурсами и поставщиками является управление рисками — это процесс выявления, оценки и устранения рисков, которые могут повлиять на цепочку поставок. Риски могут включать в себя проблемы с качеством, сбои в цепочке поставок, проблемы с соблюдением нормативных требований или утечки данных. Важно учитывать потенциальные риски и проблемы, связанные с управлением ресурсами и поставщиками в фармацевтической отрасли (табл. 16).

Таблица 16. Характеристика потенциальных рисков при управлении ресурсами и поставщиками

Риск	Причина	Действия по предотвращению
Риски безопасности, эффективности и качества ЛС	Некачественные или небезопасные материалы и расходные материалы могут привести к отзыву продукции, претензиям клиентов и даже юридическим обязательствам	Тщательно оценивать и контролировать качество и безопасность всех материалов и расходных материалов, а также процессов, используемых для их производства
Риски соблюдения нормативных требований	Фармацевтическая отрасль жестко регулируется, и несоблюдение правил может привести к штрафам, юридическим обязательствам и другим последствиям	Убедиться, что все поставщики полностью соответствуют нормам и что все материалы соответствуют необходимым стандартам
Риски нарушения цепочки поставок	Сбои в цепочке поставок могут привести к задержкам производства, нехватке запасов и другим проблемам	Иметь планы на случай непредвиденных обстоятельств для снижения этих рисков, такие как определение альтернативных поставщиков или источников материалов и самих материалов
Риски безопасности и конфиденциальности данных	Системы управления поставками и поставщиками часто включают обработку конфиденциальных данных, таких как информация о поставщиках и клиентах	Убедиться, что приняты соответствующие меры для защиты этих данных от несанкционированного доступа или нарушений

Стратегии управления рисками включают в себя:

• выявление и оценку рисков: необходимо выявлять и оценивать риски, которые могут повлиять на цепочки поставок, принимая во внимание такие факторы, как вероятность возникновения риска, потенциальное воздействие и любые ослабляющие их воздействие факторы. Это позволит расставить приоритеты в отношении рисков и определить соответствующие ответные меры;
• разработку планов действий в чрезвычайных ситуациях: наличие планов действий в чрезвычайных ситуациях может помочь уменьшить воздействие рисков, когда они происходят. Для этого необходимо определить альтернативных поставщиков или источники материалов и поставок, а также внедрить процессы для быстрого решения проблем;
• внедрение средств управления рисками: разработка средств контроля, процессов обеспечения качества, мер безопасности и систем соответствия нормативным требованиям позволит снизить вероятность возникновения рисков и снизить их воздействие;
• мониторинг и анализ рисков: необходимо постоянно отслеживать и анализировать риски, чтобы обеспечить эффективное управление ими. Это может включать в себя регулярный пересмотр планов действий в чрезвычайных ситуациях, проведение оценок рисков и мониторинг ключевых показателей эффективности (KPI) процессов;
• диверсификацию цепочки поставок: может помочь снизить риск сбоев, вызванных проблемами с отдельными поставщиками. Означает поиск материалов и поставок от различных поставщиков или создание нескольких производственных мест;
• сотрудничество с поставщиками: может помочь выявить и снизить потенциальные риски. Включает обмен данными и информацией или сотрудничество над стратегиями управления рисками;
• внедрение систем видимости и прослеживаемости цепочки поставок: позволит выявить и устранить потенциальные риски до того, как они станут серьезными проблемами;
• создание четких протоколов: для выявления и устранения рисков обеспечит эффективное управление рисками в рамках всей организации. Например, создание комитета по управлению рисками или назначение конкретных сотрудников, ответственных за управление рисками;
• обучение сотрудников: позволит убедиться, что они осведомлены о потенциальных рисках и знают, как реагировать соответствующим образом. Для этого необходимо организовать обучение мерам контроля качества, протоколам безопасности данных или соблюдению нормативных требований.

Реализуя комплексную стратегию управления рисками и применяя проактивный подход к выявлению и устранению рисков, фармацевтические компании обеспечивают стабильность и непрерывность своей цепочки поставок и поддерживают безопасность, эффективность и качество своей продукции.

Программные инструменты играют ключевую роль в поддержке фармацевтических компаний в управлении рисками в их цепочках поставок по следующим направлениям:

• оценка и отслеживание рисков: выявление потенциальных рисков в цепочке поставок, оценка их вероятности и воздействия, а также разработка планов действий в чрезвычайных ситуациях;
• видимость и прослеживаемость цепочки поставок в режиме реального времени: выявление потенциальных рисков или проблем до того, как они станут серьезными проблемами, например, отслеживание движения материалов, мониторинг сроков доставки или выявление узких мест в цепочке поставок;
• контроль качества и соответствие: позволяет снизить риск возникновения проблем с качеством или несоблюдения нормативных требований. Включает в себя внедрение процессов контроля качества, отслеживание результатов исследований и проверку соответствия соответствующим правилам;
• безопасность и конфиденциальность данных: может помочь снизить риск проблем безопасности и конфиденциальности данных. Включает в себя реализацию шифрования, реализацию контроля доступа или использование безопасных каналов связи.

Существует множество программных инструментов, которые могут помочь фармацевтическим компаниям управлять рисками в цепочке поставок. Примерами подобных инструментов являются:

• SAP Business Network — это облачная программная платформа, которая предоставляет инструменты для управления процессом закупок, включая управление запросами предложений, управление предложениями и оценку поставщиков. Она также включает в себя функции для управления запасами и видимостью цепочки поставок;
• TradeCloud — это облачная платформа, которая обеспечивает видимость цепочки поставок и инструменты для совместной работы, включая отслеживание в режиме реального времени, управление документами и средства связи;
• система управления качеством DELMIAWorks — это программный инструмент, который обеспечивает управление качеством и возможности соответствия, включая процессы контроля качества, управление данными и отчетность;
• NetSuite — это программная платформа для планирования ресурсов предприятия (ERP), которая предоставляет ряд инструментов для управления цепочкой поставок, включая управление запасами, закупками и управление поставщиками. Она также включает в себя функции управления рисками и обеспечения соответствия требованиям;
• TrackWise - это программный инструмент, который предоставляет ряд возможностей для управления качеством и соответствием требованиям в фармацевтической промышленности. Он включает в себя функции для отслеживания и управления проблемами, выполнения анализа основных причин и реализации корректирующих и предупреждающих действий (CAPA). Он также включает в себя инструменты для управления и отслеживания обучения, документов и нормативных документов;
• Dot Compliance — это программный инструмент, который предоставляет контроль за соблюдением нормативных требований в фармацевтической промышленности. Он включает в себя функции для отслеживания и управления нормативными документами, а также обеспечения отслеживания нормативно-правовой базы. Он также включает в себя инструменты для отслеживания и управления профессиональной подготовкой и непрерывным образованием.

Как TrackWise , так и Dot Compliance могут быть полезными инструментами, помогающими фармацевтическим компаниям управлять рисками в своей цепочке поставок, обеспечивая соблюдение нормативных требований и стандартов качества.

Важно тщательно оценить потребности и цели организации, а также различные доступные варианты, прежде чем выбирать программное решение.

Внедрение эффективных процессов управления поставками и поставщиками и использование соответствующих инструментов и ресурсов обеспечивает безопасность, эффективность и качество фармацевтической продукции, а также повышает эффективность и снижает затраты.

В дополнение к стратегиям, упомянутым выше, существует ряд других способов, которыми фармацевтические компании могут улучшить свои процессы управления поставками и поставщиками:

1. Использование аналитики данных: используя аналитику данных для анализа ключевых данных цепочки поставок, компании могут получить представление о тенденциях, закономерностях и производительности, что может помочь определить области для улучшения и оптимизировать процесс.

2. Установление стратегических партнерских отношений: построение прочных долгосрочных отношений с ключевыми поставщиками может помочь обеспечить стабильный и надежный источник материалов и поставок. Это может включать в себя создание совместных предприятий или сотрудничество в научно-исследовательских и опытно-конструкторских проектах.

3. Внедрение принципов бережливого производства: принципы бережливого производства, которые направлены на выявление и минимизацию всех видов потерь, могут применяться к процессу управления поставками и поставщиками, чтобы помочь повысить эффективность и снизить затраты.

4. Поощрение культуры непрерывного совершенствования: поощрение культуры непрерывного совершенствования и расширение прав и возможностей сотрудников для выявления и решения проблем может помочь в обеспечении постоянных улучшений в процессе управления поставками и поставщиками.

5. Внедрение новых технологий: по мере появления новых технологий фармацевтические компании могут рассмотреть возможность их внедрения для повышения эффективности и результативности своих процессов управления поставками и управления поставщиками, например блокчейн, искусственный интеллект или интернет вещей.

Управление аудитами

Программные решения для управления аудитами обеспечивают централизованный и оптимизированный способ организации и отслеживания аудитов, инспекций и других мероприятий, связанных с соответствием. Эти решения позволяют компаниям убедиться, что они соответствуют нормативным требованиям и отраслевым стандартам, а также помочь определить области для улучшения их деятельности.

Как и в случае с любым программным решением, фармацевтическим компаниям важно тщательно оценить различные доступные варианты программного обеспечения для управления аудитом, чтобы выбрать решение, которое соответствует их конкретным потребностям и бюджету.

К ключевым требованиям при оценке программного обеспечения для управления аудитом относятся:

1. Масштабируемость: необходимо выбрать решение, которое обеспечит растущий объем аудитов и инспекций по мере расширения компании.

2. Интеграция: выбранное решение обеспечит интеграцию с другими системами и инструментами, использующимися кампанией, такими как системы планирования ресурсов предприятия (ERP) и системы управления документами. Например, решение, которое интегрируется с системой планирования ресурсов предприятия (ERP) компании, может помочь упростить процесс отслеживания и управления данными и документами, связанными с аудитом.

3. Удобство использования: обеспечение простоты использования как для администраторов, так и для пользователей, а также доступность учебных и вспомогательных ресурсов.

4. Расширенная настройка: выбранное программное решение для управления аудитом должно иметь настраиваемые шаблоны и рабочие процессы, которые могут быть полезны для компаний с уникальными или сложными процессами аудита. Это позволит компании адаптировать решение к своим конкретным потребностям и гарантировать, что оно органично вписывается в существующие процессы и системы.

5. Безопасность и конфиденциальность данных: важно выбрать решение, которое соответствует нормативным стандартам управления данными и имеет надежные средства безопасности. Например, безопасные протоколы входа, шифрование данных и контроль доступа.

6. Уровень поддержки и обучения, предлагаемых поставщиком: необходимо выбрать поставщика, который предлагает поддержку и обучение, необходимые для обеспечения эффективного и действенного использования программного обеспечения.

Программные решения для управления аудитом обеспечивают следующие преимущества для фармацевтических компаний:

1. Автоматизация и оптимизация процесса аудита, включая создание графиков аудита, назначение задач и отслеживание прогресса.

2. Обеспечение согласованности и надежности за счет использования стандартизированных шаблонов и протоколов, а также возможности отслеживать и отчитываться о квалификации и опыте аудиторов.

3. Отслеживание и мониторинг состояния корректирующих и предупреждающих действий (CAPA), рекомендованных в результате выводов аудита, включая возможность назначать и отслеживать ход выполнения задач и отчитываться об их эффективности с течением времени.

4. Возможность интеграции с другими системами и инструментами для оптимизации процесса отслеживания и управления данными и документами, связанными с аудитом.

5. Варианты настройки для адаптации решения к конкретным потребностям компании и гарантии, что оно органично вписывается в существующие процессы и системы.

Существует ряд различных программных решений для управления аудитом, доступных для фармацевтических компаний, которые предлагают инструменты для автоматизации и оптимизации процесса аудита, включая возможность создавать и управлять графиками аудита, назначать задачи и отслеживать ход выполнения. Они также включают в себя функции для документирования и хранения выводов и рекомендаций аудита, а также для отслеживания состояния корректирующих и предупреждающих действий.

Наиболее популярными вариантами являются:

1. MasterControl.

2. ProcessMAP.

3. Auditing.com.

Внедрение программного решения для управления аудитом в фармацевтической компании требует тщательного планирования и исполнения. Фармацевтические компании могут эффективно внедрить программное решение для управления аудитом.

Существует ряд требований, которые необходимо соблюдать для эффективного управления аудитом:

1. Определение четких ролей и обязанностей: важно ясно определить роли и обязанности тех, кто будет использовать программное обеспечение для управления аудитом, включая администраторов, аудиторов и других пользователей.

2. Разработка стандартных операционных процедур: установление стандартных операционных процедур для использования программного обеспечения для управления аудитом может помочь обеспечить последовательное и надежное использование системы.

3. Создание учебной программы: обеспечение постоянного обучения и поддержки пользователей программного обеспечения для управления аудитом имеет решающее значение для его успеха.

4. Мониторинг и отслеживание использования системы: регулярный мониторинг и отслеживание использования программного обеспечения для управления аудитом может помочь определить области для улучшения и обеспечить эффективное использование системы. Это может включать в себя анализ данных об использовании и получение отзывов от пользователей.

5. Регулярное обновление системы: поскольку потребности компании меняются с течением времени, может потребоваться пересмотреть и обновить систему управления аудитом, чтобы убедиться, что она продолжает удовлетворять эти потребности.

Есть несколько ключевых шагов, которые фармацевтические компании могут предпринять, чтобы преодолеть проблемы и ограничения использования программного обеспечения для управления аудитом (табл. 17).

Таблица 17. Меры для преодоления проблем при использовании программного обеспечения для управления аудитом

Действие	Содержание действия
Правильное планирование и бюджетирование	Выделение средств на первоначальную покупку и внедрение системы, а также на текущее техническое обслуживание и поддержку
Обучение и поддержка пользователей	Регулярные учебные занятия, руководства пользователя и онлайн-ресурсы
Внедрение лучших практик управления данными	Регулярное резервное копирование данных, проверка точности и полноты данных и внедрение соответствующих мер безопасности
Планирование и тестирование интеграции	Работа с ИТ-специалистами и поставщиками для разработки и реализации стратегий интеграции
Кастомизация	Обновление шаблонов и рабочих процессов, добавление новых функций или интеграций или внесение других изменений по мере необходимости

Целостность данных и валидация компьютеризированных систем

Целостности данных в фармацевтической отрасли уделяется большое внимание, поскольку она непосредственно влияет на качество продукции и безопасность пациентов. Необходимость обеспечения целостности данных в условиях развития технологий, таких как автоматизация и цифровизация, становится все более актуальной. Валидация компьютеризированных систем, используемых для сбора, хранения и обработки данных, обеспечивает не только соответствие требованиям регулирующих органов, но и повышает общую эффективность бизнес-процессов. Современные данные и рекомендации, такие как Рекомендация Коллегии ЕЭК от 19.09.2023 № 25 «О Руководстве по обеспечению целостности данных и валидации компьютеризированных систем», предоставляют практические основы для достижения этой цели.

Целостность данных определяется как степень полноты, последовательности и точности данных на протяжении всего жизненного цикла данных и имеет основополагающее значение в фармацевтической системе качества, которая обеспечивает необходимое качество лекарственных средств. Ненадлежащие методы обеспечения целостности данных и их уязвимость подрывают качество записей и в конечном счете могут компрометировать качество лекарственных средств. Это означает обеспечение правильности, полноты и актуальности данных, а также защиту их от несанкционированного доступа и изменений.

Рекомендация Коллегии ЕЭК от 19.09.2023 № 25 «О Руководстве по обеспечению целостности данных и валидации компьютеризированных систем» акцентирует внимание на необходимости обеспечения целостности данных на всех этапах жизненного цикла лекарственных средств. Основные положения включают:

• прозрачность процессов: все этапы разработки и производства должны быть документированы и доступны для проверки;
• защита данных: необходимо внедрение технологий, обеспечивающих защиту данных от несанкционированного доступа и модификации;
• валидация систем: все системы, использующиеся для сбора и хранения данных, должны проходить валидацию для подтверждения их надежности и точности.

Эти принципы соответствуют международным стандартам и служат основой для создания безопасной и эффективной среды для работы с данными в фармацевтической отрасли. Целостность данных достигается через использование различных механизмов контроля, включая шифрование, резервное копирование, а также процедуры валидации данных. Эти меры помогают обеспечить надежность информации и защитить ее от потенциальных угроз. Обеспечить целостность данных, включая определение их принадлежности и источника, призваны принципы, описанные в стандартах ALCOA и ALCOA+.

Основными аспектами целостности данных являются:

• Attributable (прослеживаемость) — информация о том, кто и когда выполнил определенное действие;
• Legible (читаемость) — массив данных должен оставаться читаемым на протяжении их жизненного цикла;
• Contemporaneous (своевременность) — данные должны быть зарегистрированы во время выполнения действия;
• Original (подлинность) — должна использоваться оригинальная запись данных или ее заверенная копия;
• Accurate (точность) — в данных не должно быть ошибок и изменений, внесенных без соответствующего документирования;
• соответствие дополнительным требованиям, обеспечивающим полноту (complete), последовательность (consistent), устойчивость (enduring) и доступность (available) данных (обозначенных в акрониме символом «+»).

Полнота — наличие всех данных, включая данные всех исследований, повторов и дополнительных анализов. Последовательность — все этапы одинаковых экспериментов всегда выполняются в одинаковой последовательности. Долговечность — данные должны быть зарегистрированы в лабораторных журналах или сертифицированных системах. Доступность — данные должны быть доступны для просмотра, контроля или аудиторской проверки в течение всего жизненного цикла записей (см. рис. 26).

Эти принципы играют ключевую роль в обеспечении высокого уровня целостности данных и поддержании доверия со стороны регулирующих органов и пользователей.

Рекомендация Коллегии ЕЭК от 19.09.2023 № 25 представляет собой важный документ, содержащий основные положения, касающиеся целостности данных и валидации компьютеризированных систем. В Руководстве подчеркивается, что обеспечение целостности данных должно быть неотъемлемой частью корпоративной культуры и отражать стратегию организации.

Документ акцентирует внимание на необходимости создания надежных систем управления данными, которые будут отвечать современным требованиям и стандартам. Важно, чтобы все сотрудники, взаимодействующие с данными, были осведомлены об их значимости и о том, как они влияют на всю цепочку создания стоимости. В соответствии с Рекомендацией, каждая организация должна разработать собственные политики и процедуры, направленные на обеспечение надежности и целостности данных, что включает в себя периодическое обучение сотрудников и внедрение современных технологий для автоматизации процессов.

Также подчеркивается важность документирования всех процессов, связанных с управлением данными, что не только облегчает аудит, но и позволяет гарантировать соблюдение нормативных требований. Кроме того, Рекомендация содержит указания относительно интеграции систем и управления изменениями — двух ключевых аспектов, влияющих на целостность данных.

Сравнение международных стандартов позволяет выделить ключевые моменты, которые могут помочь фармацевтическим компаниям в обеспечении целостности данных. Например, FDA и EMA предъявляют строгие требования к документированию, валидации и обеспечению качества, что соответствует рекомендациям GxP.

Валидация компьютеризированных систем — это процесс, в ходе которого подтверждается, что система выполняет заданные функции в соответствии с установленными требованиями. Это важный этап, обеспечивающий доверие к данным, которые генерируются и обрабатываются на этих системах. Целью валидации является не только проверка функциональности системы, но и обеспечение ее соответствия внутренним и внешним стандартам, что, в свою очередь, минимизирует риски ошибок и нарушений. Процесс валидации включает в себя оценку системы на всех этапах жизненного цикла, от планирования и разработки до эксплуатации и сопровождения. Это требует от организаций не только наличия квалифицированного персонала, но и четкой документации всех процессов. Важно отметить, что валидация — это не разовая процедура, а продолжающийся процесс, который требует регулярного пересмотра и обновления в соответствии с изменениями в технологиях и бизнес-требованиях.

Процесс валидации состоит из нескольких ключевых этапов, каждый из которых имеет свои характеристики и требования:

• планирование валидации: разрабатывается стратегический план, который определяет подходы к валидации, распределение ресурсов и временные рамки для каждой стадии;
• разработка спецификаций: определяются функциональные и нефункциональные требования к системе. Спецификации служат основой для дальнейшей валидации и тестирования;
• квалификация систем: установка, тестирование и проверка систем, чтобы убедиться, что они работают в соответствии со спецификациями. Проведение квалификации систем должно быть защищено документально и проверено на соответствие стандартам;
• валидация в процессе эксплуатации: проведение регулярных проверок и обновлений, чтобы убедиться, что система продолжает соответствовать требованиям и ожиданиям.

Существуют различные методологии и подходы к валидации, которые могут быть использованы в зависимости от сложности системы и спецификации требований. К ним относятся:

• статическое тестирование — подразумевает проверку кода и документации без выполнения программы. Этот метод помогает выявить ошибки до их появления в рабочей среде;
• динамическое тестирование — оценивает работоспособность системы через выполнение, выявляя потенциальные ошибки в реальном времени;
• тестирование на основе рисков — включает в себя оценку рисков, связанных с использованием системы, и построение тестовых сценариев, которые направлены на минимизацию этих рисков. Этот подход позволяет оптимизировать процессы валидации, концентрируя ресурсы на наиболее критичных зонах. Внедрение методов тестирования на основе рисков позволяет значительно повысить надежность результатов валидации и целостности данных, а также уменьшает затраты на валидацию.

Неотъемлемой частью процесса валидации является документация. Все шаги, результаты тестирования и изменения должны быть тщательно задокументированы, чтобы обеспечить открытость и прозрачность процесса. Это не только облегчает аудит, но и гарантирует соблюдение установленных требований. Важно, чтобы вся документация была доступна, понятна и отвечала стандартам. Недостаток или отсутствие документации может привести к серьезным последствиям, включая штрафы от регулирующих органов, потерю репутации и, самое главное, угрозу безопасности пациентов.

Документация необходима не только для внутреннего контроля качества, но и для соответствия требованиям регулирующих органов. В случае аудита или проверки наличие полной и корректной документации может стать решающим фактором.

В России и странах ЕАЭС разработка такой документации является обязательной для обеспечения соответствия стандартам GMP и другим установленным требованиям.

С целью обеспечения целостности данных используются различные инструменты и методы. Системы управления лабораторными данными, такие как LIMS (Laboratory Information Management System) и ELN (Electronic Lab Notebook), играют ключевую роль в обеспечении целостности данных. Эти системы автоматизируют сбор, хранение и анализ данных, что минимизирует вероятность ошибок и повышает точность информации.

LIMS: позволяет управлять образцами, отслеживать результаты тестов и обеспечивать соответствие требованиям нормативных актов. Использование LIMS помогает обеспечить надежную документацию и прослеживаемость данных.

ELN: обеспечивает электронное ведение лабораторных записей, что позволяет легко делиться данными между исследовательскими группами и гарантирует сохранение полной истории экспериментов. Это также позволяет избежать потери данных и упрощает процесс аудита.

Шифрование и аутентификация являются важными мерами для защиты данных от несанкционированного доступа и изменений:

• шифрование: использование современных алгоритмов шифрования помогает защитить данные на всех этапах их обработки и хранения. Это особенно важно для конфиденциальной информации, такой как результаты клинических исследований или данные о пациентах;
• аутентификация: применение многофакторной аутентификации и других методов контроля доступа позволяет гарантировать, что только авторизованные пользователи могут получать доступ к данным. Это снижает риск утечки информации и обеспечивает целостность данных.

Современные технологии, такие как облачные решения и системы управления данными, кардинально изменяют подход к обеспечению целостности данных. Эти технологии могут значительно облегчить автоматизацию процессов, однако они также требуют особого внимания к вопросам безопасности и управления данными. Например, использование облачных технологий увеличивает риски, связанные с потерей данных или несанкционированным доступом к ним. Проведение регулярных проверок безопасности и внедрение систем мониторинга позволяют минимизировать эти риски. Облачные платформы предоставляют возможности для более эффективного хранения и обработки данных, однако необходимо учитывать законодательные и нормативные аспекты, связанные с защитой данных и соблюдением стандартов.

Интеграция различных ИТ-систем представляет собой важную задачу, которую необходимо решать в рамках обеспечения целостности данных. Сложности интеграции могут привести к несоответствиям в данных и ошибкам, которые могут оказать негативное влияние на результаты исследований и производственные процессы. Для успешной интеграции необходимо учитывать множество факторов, таких как совместимость систем, стандарты данных и протоколы безопасности. Ключевыми элементами успешной интеграции являются создание единой платформы для всех данных и автоматизация процессов, что позволяет существенно улучшить управляемость данными и обеспечить их целостность.

Важным процессом, который гарантирует, что любые изменения в компьютеризированных системах будут контролироваться и документироваться, является управление изменениями. Управление необходимо для обеспечения целостности данных, так как изменения могут оказывать значительное влияние на его качество и достоверность. Каждое изменение должно быть тщательно спланировано, задокументировано и протестировано, прежде чем оно будет внедрено. Интеграция всех заинтересованных сторон в процесс управления изменениями помогает минимизировать риски и повышает уровень доверия к данным. Это также способствует созданию культуры ответственности за данные на уровне всего предприятия.

Ключевым аспектом обеспечения целостности данных является управление рисками. Необходимо тщательно идентифицировать потенциальные риски, оценивать их влияние и разрабатывать стратегии для их минимизации. Методы управления рисками могут включать SWOT-анализ, FMEA (англ. Failure Mode and Effects Analysis — анализ видов и последствий отказов) и другие подходы, которые помогают не только выявлять потенциальные угрозы, но и разрабатывать планы действий для их устранения. Например, FMEA позволяет анализировать возможные ошибки в процессах и их последствия, что дает возможность заранее подготовиться к потенциальным проблемам.

Внедрение систем управления данными требует тщательно продуманной стратегии и активного участия всех сотрудников организации. Важно, чтобы каждый уровень управления и персонал понимали роль целостности данных и влияние систем, которые они используют, на продукцию и безопасность пациентов. Успешное внедрение требует построения системы поддержки и обучения, что способствует обеспечению эффективного использования данных и систем. Обучение сотрудников должно охватывать не только технические аспекты работы с системами, но и правовые и этические нормы, которые касаются обработки данных.

Обучение кадров — критически важный элемент для обеспечения целостности данных. Все сотрудники должны быть осведомлены о важности безопасности данных, принципах работы с данными и существующих процедурах. Программы обучения могут включать семинары, тренинги и практические занятия, которые помогают создать культуру ответственности за данные в организации. Данный аспект обучения также включает в себя регулярное обновление знаний сотрудников по мере изменения технологий и регуляторных требований. Постоянное обучение позволяет организациям адаптироваться к новым вызовам и требованиям, улучшая тем самым качество данных.

Контроль целостности данных осуществляется через регулярный мониторинг и тестирование систем. Использование автоматизированных инструментов для мониторинга обеспечивает непрерывное отслеживание данных и их изменений, что позволяет быстро выявлять отклонения и незапланированные изменения. Это важно для обеспечения надежности данных и возможности их быстрого восстановления в случае возникновения инцидента. Реализация автоматизированных систем мониторинга позволяет существенно сократить время, необходимое для выявления и устранения проблем, что, в свою очередь, повышает общую эффективность процессов в организации.

Аудит является важным инструментом контроля, который позволяет оценить соответствие процессов управления данными установленным требованиям. Аудиты делятся на внутренние и внешние, а также специализированные, направленные на оценку конкретных аспектов системы. Проведение регулярных аудитов помогает выявить потенциальные слабости и улучшить процессы управления данными. Аудиты не только улучшают внутренние процессы, но и служат доказательством соблюдения требований со стороны регулирующих органов, что жизненно важно для фармацевтических компаний.

С развитием технологий и автоматизации в фармацевтической отрасли актуальность вопросов целостности данных продолжает расти.

В частности, технологии ИИ и машинного обучения (ML) открывают новые возможности для анализа данных и управления рисками. Они могут использоваться для автоматизации процессов валидации и мониторинга, что не только увеличивает скорость работы, но и улучшает качество данных. Тем не менее внедрение таких технологий также ставит новые вызовы перед организациями в вопросах этики, конфиденциальности данных и соблюдения нормативных требований.

Таким образом, целостность данных и валидация компьютеризированных систем играют ключевую роль в фармацевтической отрасли, обеспечивая качество, безопасность и эффективность бизнес-процессов. Практическое применение принципов ALCOA, соблюдение нормативных требований, внедрение новых технологий и активное управление изменениями и рисками позволят организациям успешно адаптироваться к современным требованиям.

Организации должны непрерывно совершенствовать свои процессы управления данными, инвестировать в обучение персонала и применять современные технологии для обеспечения целостности данных. Это позволит не только соответствовать требованиям регулирующих органов, но и повысить доверие со стороны клиентов и партнеров.

Электронные протоколы на производство серии

Электронные протоколы на производство серии (англ. Electronic Batch Record; EBR) представляют собой цифровые версии традиционных бумажных протоколов на серии, которые используются для документирования производства фармацевтической продукции. EBR используются для сбора и хранения данных, связанных с производством фармацевтической продукции, включая информацию о сырье, промежуточных продуктах и готовой продукции. EBR обычно используются в сочетании с компьютеризированными системами, которые используются для управления производственным процессом, такими как системы управления производством (MES) и системы планирования ресурсов предприятия (ERP).

Использование EBR обеспечивает более эффективный и точный способ записи и хранения производственных данных. Традиционные бумажные протоколы на серии могут занимать много времени для заполнения, и существует риск ошибок при ручной записи данных. EBR могут быть заполнены быстрее, а содержащиеся в них данные, как правило, более точны, поскольку они вводятся в систему в электронном виде. Кроме того, к EBR можно получить доступ и просмотреть легче, чем бумажные записи, что может быть полезно при устранении неполадок производства или проведении проверок контроля качества.

Есть несколько ключевых соображений, которые следует иметь в виду при внедрении EBR в фармацевтической производственной среде. Одним из важных соображений является обеспечение безопасности системы EBR и строгого контроля доступа к системе. Это особенно важно в фармацевтической промышленности, где целостность производственных данных имеет решающее значение для поддержания качества и безопасности продукции.

Другой проблемой является необходимость обеспечения интеграции системы EBR с другими системами и процессами, используемыми в производственном процессе, такими как системы MES и ERP. Это может быть сложный процесс, требующий тщательного планирования и координации. Внедрение системы может повлечь за собой изменения в способе выполнения работы, а также необходимость обучения сотрудников использованию новых систем. Планируя и координируя процесс интеграции, производители могут гарантировать, что интеграция является эффективной, и что она поддерживает общую цель повышения эффективности и результативности производственного процесса.

Одним из способов облегчения интеграции EBR с другими системами является использование общей модели данных, которая используется всеми системами. Общая модель данных — это набор правил и стандартов, которые определяют, как данные структурированы и хранятся в системе. Используя общую модель данных, различные системы могут легче обмениваться данными, что может повысить эффективность и точность производственного процесса.

Важным аспектом интеграции EBR с другими системами является использование интерфейсов прикладного программирования (API). API — это программные интерфейсы, которые позволяют различным системам взаимодействовать друг с другом и обмениваться данными. Используя API, EBR могут быть интегрированы с другими системами, такими как системы MES и ERP.

В дополнение к интеграции EBR с другими системами и процессами важно также обеспечить обучение и поддержку, которые могут потребоваться при внедрении EBR в фармацевтической производственной среде (см. рис. 27).

Обеспечение обучения и поддержки является ключевым аспектом успешного внедрения EBR в фармацевтической промышленности. Инвестируя в обучение и поддержку, производители могут гарантировать, что их сотрудники чувствуют себя комфортно и хорошо разбираются в использовании системы, что имеет решающее значение для успеха внедрения.

Внедрение EBR и других цифровых технологий в фармацевтической отрасли подчиняется ряду нормативных требований, которые необходимо тщательно учитывать и соблюдать. Соблюдая эти требования, производители могут гарантировать, что их системы безопасны, надежны и соответствуют требованиям, что имеет решающее значение для поддержания качества и безопасности их продукции.

EBR можно поддерживать качество путем разработки (англ. Quality by Design; QbD) несколькими способами:

1. Собирая и сохраняя данные, связанные с параметрами процесса, такими как температура, влажность и давление, производители могут гарантировать, что производственный процесс контролируется и что полученный продукт соответствует желаемым стандартам качества.

2. Собирая и сохраняя данные, связанные с атрибутами качества продукта, такими как эффективность и чистота, производители могут гарантировать, что полученный продукт соответствует желаемым стандартам качества.

3. Оптимизируя процесс, анализируя данные, собранные и хранящиеся в системе EBR, производители могут определить возможности для повышения эффективности и результативности производственного процесса.

Это может помочь производителям оптимизировать производственный процесс, чтобы гарантировать, что полученный продукт соответствует желаемым стандартам качества.

EBR полезны для отслеживания и управления производством фармацевтической продукции. Используя EBR, производители могут легко получить доступ и просмотреть данные, связанные с производственным процессом, что может помочь им быстрее выявлять и решать производственные проблемы. EBR также могут использоваться для отслеживания движения сырья, промежуточных продуктов и готовой продукции в процессе производства, что может помочь производителям обеспечить, чтобы продукты производились последовательным и контролируемым образом.

EBR также могут использоваться для поддержки усилий по постоянному совершенствованию в фармацевтическом производстве. Собирая и храня данные, связанные с производственным процессом, EBR могут предоставить ценную информацию, которая может быть использована для выявления и решения проблем или неэффективности производственного процесса. Это может помочь производителям повысить эффективность и результативность своей деятельности, что приведет к снижению затрат и улучшению качества продукции.

Использование EBR может помочь производителям поддерживать принципы QbD, обеспечивая всестороннее представление производственного процесса и помогая производителям выявлять возможности для повышения эффективности и результативности процесса. Это может привести к разработке более качественных продуктов, отвечающих потребностям клиентов.

Еще одним преимуществом EBR в фармацевтической отрасли является их способность поддерживать усилия по постоянному совершенствованию. Непрерывное совершенствование — это процесс постоянного выявления и решения проблем или неэффективности в производственном процессе с целью повышения эффективности и результативности процесса с течением времени.

EBR могут поддерживать усилия по постоянному совершенствованию несколькими способами:

1. Сбор и хранение данных, связанных с производственным процессом: собирая и сохраняя данные, EBR может предоставить ценную информацию об эффективности и результативности процесса. Эти данные могут быть использованы для выявления проблем или неэффективности и реализации решений для их устранения.

2. Упрощение мониторинга производственного процесса в режиме реального времени: EBR можно использовать для мониторинга производственного процесса в режиме реального времени, что может помочь производителям быстрее выявлять и устранять проблемы или неэффективность.

3. Предоставление всестороннего представления о производственном процессе: предоставляя всестороннее представление о производственном процессе, EBR может помочь производителям определить закономерности и тенденции, которые могут указывать на проблемы или неэффективность.

В целом использование EBR может помочь производителям поддерживать усилия по постоянному совершенствованию, предоставляя ценную информацию о производственном процессе и помогая производителям быстрее выявлять и решать проблемы или неэффективность. Это может привести к повышению эффективности и результативности производственного процесса, а также снижению затрат и улучшению качества продукции.

Таким образом, преимущества EBR делают их ценными инвестициями для фармацевтических производителей.

Обеспечивая более эффективный и точный способ записи и хранения производственных данных, EBR может помочь производителям повысить эффективность и результативность операций, что приведет к снижению затрат и улучшению качества продукции.

Глава 4. ФАРМАЦЕВТИЧЕСКАЯ ОТРАСЛЬ 4.0 (PHARMA 4.0)

Индустрия 4.0, также известная как четвертая промышленная революция, связана с интеграцией передовых технологий, таких как интернет вещей (англ. Internet of Things; IoT), искусственный интеллект (ИИ), аналитика больших данных, в производство и другие промышленные процессы (см. рис. 28).

В фармацевтической отрасли технологии Индустрии 4.0 внедряются по ряду направлений, в том числе:

1. Производство: для повышения эффективности и производительности фармацевтических производственных процессов, включая использование робототехники, машинного обучения и анализа данных для оптимизации производства, сокращения отходов и повышения качества.

2. Цепочка поставок: для оптимизации цепочки поставок, включая использование систем отслеживания и прослеживаемости с поддержкой IoT, алгоритмов прогнозирования и оптимизации на основе ИИ, а также анализа данных для повышения эффективности и снижения затрат.

Цель

Определить:

• необходимые условия и движущие силы;
• роль высшего руководства;
• необходимость взаимодействия заинтересованных сторон;
• дорожную карту проведения необходимых изменений.

Сформулировать ключевые идеи:

• целостное операционное управление;
• использование данных, их доступность, удобство использования и управления для поддержки принятия решений;
• раскрытие потенциальных возможностей оптимизации расходов при соответствии нормативных требований.

Поддержать диалог промышленности и регуляторов:

Область применения:

• регуляторные вопросы;
• технические вопросы;
• менеджмент;
• культура.

Выгоды от комплексного внедрения подхода Фарма 4.0:

• экономия времени;
• снижение затрат;
• управление сложными ситуациями;
• повышение эффективности и продуктивности;
• улучшение качества и соответствия;
• рост культуры производства.

Концепция цифровых двойников в фармацевтической промышленности

Цифровые двойники — это виртуальные представления физических продуктов, систем или процессов, которые могут быть использованы для моделирования и анализа поведения этих систем или процессов. В фармацевтической промышленности цифровые двойники могут использоваться для улучшения разработки и производства ЛС, позволяя компаниям тестировать и оптимизировать различные аспекты процесса виртуально перед их внедрением в реальном мире.

Например, цифровой двойник процесса производства ЛС может быть использован для выявления узких мест или неэффективности процесса, или для проверки влияния изменений в процессе на качество и выход конечного продукта. Цифровые двойники также могут использоваться для оптимизации планирования и использования оборудования и ресурсов, а также для прогнозирования и предотвращения отказов оборудования или других сбоев в производственном процессе.

В дополнение к улучшению разработки и производства ЛС цифровые двойники также могут использоваться для мониторинга эффективности ЛС в полевых условиях и оптимизации их использования.

Например, цифровой двойник системы доставки ЛС может использоваться для отслеживания производительности системы в режиме реального времени и выявления любых потенциальных проблем, что позволяет быстро и эффективно решать их.

Использование цифровых двойников в фармацевтической промышленности имеет потенциал для повышения эффективности, снижения затрат, а также повышения безопасности, эффективности и качества ЛС.

1. Разработка ЛС: цифровые двойники могут использоваться для моделирования и оптимизации различных аспектов процесса разработки ЛС, включая химический синтез, рецептуру и тестирование. Например, цифровой двойник процесса синтеза ЛС может быть использован для оптимизации условий реакции, таких как температура, давление и концентрации реагентов, для максимизации выхода и чистоты конечного продукта. Аналогичным образом цифровой двойник процесса составления ЛС может быть использован для оптимизации композиции и физических свойств состава, таких как размер частиц и стабильность ЛС. Цифровые двойники также могут использоваться для моделирования и оптимизации тестирования ЛС, включая доклинические испытания на биомоделях и клинические исследования на людях.

2. Производство ЛС: цифровые двойники могут использоваться для оптимизации и мониторинга производственного процесса, включая производительность оборудования, использование ресурсов и контроль качества. Например, цифровой двойник процесса производства ЛС может быть использован для выявления узких мест и неэффективности процесса или для проверки влияния изменений в процессе на качество и выход конечного продукта. Также они могут применяться для оптимизации планирования и использования оборудования и ресурсов, а также для прогнозирования и предотвращения отказов оборудования или других сбоев в производственном процессе.

3. Доставка ЛС: цифровые двойники могут использоваться для оптимизации и мониторинга доставки ЛС пациентам, включая производительность систем доставки ЛС и эффективность различных схем лечения. Например, цифровой двойник системы доставки ЛС может применяться для отслеживания производительности системы в режиме реального времени и выявления любых потенциальных проблем, что позволяет быстро и эффективно решать их. Также они могут использоваться для оптимизации схем лечения, например, путем прогнозирования вероятности приверженности лечению и выявления факторов, которые могут повлиять на результаты лечения.

4. Управление цепочками поставок: цифровые двойники могут использоваться для оптимизации и мониторинга распределения и доставки ЛС, включая прогнозирование спроса и управление запасами. Например, цифровой двойник цепочки поставок ЛС может быть использован для оптимизации маршрутизации и планирования поставок для минимизации затрат и максимизации эффективности. Также они могут использоваться для прогнозирования спроса на различные ЛС и для оптимизации уровней запасов с целью обеспечения достаточного количества каждого ЛС для удовлетворения спроса.

5. Соответствие нормативным требованиям: цифровые двойники могут использоваться для демонстрации соответствия нормативным требованиям, таким как надлежащая производственная практика (GMP), а также для оптимизации процесса подачи и рассмотрения новых ЛС. Например, цифровой двойник процесса производства ЛС может быть использован для демонстрации соответствия GMP и другим нормативным требованиям, например, путем предоставления данных в режиме реального времени о производительности оборудования и качестве конечного продукта.

Также цифровые двойники могут быть использованы для оптимизации процесса подачи и рассмотрения новых ЛС, позволяя компаниям представлять виртуальные представления своих производственных процессов, а не физически демонстрировать их регулирующим органам. Цифровые двойники могут использоваться в различных областях фармацевтической промышленности (см. рис. 29).

Направления использования цифровых двойников

3. Повышение безопасности: цифровые двойники могут использоваться для выявления и предотвращения потенциальных проблем или проблем в процессе разработки и производства ЛС, что приводит к повышению безопасности пациентов.

4. Повышение соответствия нормативным требованиям: цифровые двойники могут использоваться для демонстрации соответствия нормативным требованиям, таким как GMP, а также для оптимизации процесса подачи и рассмотрения новых ЛС.

5. Улучшенная гибкость: цифровые двойники могут использоваться для быстрого и простого тестирования и внедрения изменений в различные процессы, такие как разработка и производство ЛС, что позволяет компаниям быстрее реагировать на изменяющиеся рыночные условия.

Существует ряд проблем, с которыми можно столкнуться при внедрении цифровых двойников в фармацевтической промышленности:

1. Управление данными: цифровые двойники полагаются на точные и актуальные данные для правильной работы. В фармацевтической промышленности это может потребовать сбора и интеграции данных из различных источников, таких как датчики оборудования, лабораторные инструменты и данные клинических исследований. Обеспечение качества и целостности этих данных может быть проблемой, как и хранение и управление большими объемами данных.

2. Интеграция с существующими системами: для правильного функционирования цифровых двойников может потребоваться интеграция с существующими системами производства и контроля качества, что потребует разработки интерфейсов и интеграции различных источников данных.

3. Нормативные соображения: использование цифровых двойников в фармацевтической промышленности может вызвать проблемы регулирования, такие как валидация и квалификация цифровых двойников для использования в разработке и производстве ЛС.

4. Кибербезопасность: цифровые двойники могут быть уязвимы для кибератак, которые могут поставить под угрозу безопасность и целостность данных, используемых для их создания, в том числе из-за того, что они могут быть подключены к различным системам и сетям.

5. Стоимость: внедрение цифровых двойников в фармацевтической промышленности может быть дорогостоящим, поскольку требуется разработка и развертывание новых технологий и систем. Обеспечение отдачи от инвестиций в эти усилия может быть сложной задачей.

Ниже приведены примеры того, как цифровые двойники использовались в фармацевтической промышленности для улучшения различных аспектов разработки и производства ЛС:

Оптимизация синтеза ЛС: цифровые двойники были использованы для оптимизации синтеза различных ЛС, включая производство активных фармацевтических субстанций. Например, путем моделирования условий реакции и определения оптимальных условий для максимального выхода и чистоты.

Оптимизация лекарственной формы: цифровые двойники использовались для оптимизации рецептуры различных ЛС, включая размер частиц и стабильность препарата, что привело к улучшению стабильности и биодоступности препарата.

Оптимизация тестирования ЛС: цифровые двойники использовались для моделирования и оптимизации тестирования различных ЛС, включая дизайн клинических исследований, что привело к повышению эффективности и экономической эффективности исследования.

Оптимизация производства ЛС: цифровые двойники используются для оптимизации и мониторинга процесса производства ЛС, включая производительность оборудования и использование ресурсов. Например, использование цифровых двойников для оптимизации производства АФС, что привело к повышению эффективности и экономической эффективности процесса.

Оптимизация доставки ЛС: цифровые двойники использовались для оптимизации и мониторинга доставки ЛС пациентам, включая производительность систем доставки ЛС, что привело к улучшению производительности и результатов лечения пациентов.

Существует несколько способов, с помощью которых цифровые двойники могут быть использованы для улучшения разработки и производства ЛС в фармацевтической промышленности (табл. 18).

Направление	Область использования	Выгоды от использования
Оптимизация синтеза ЛС	Для моделирования и оптимизации синтеза ЛС, включая условия реакции, такие как температура, давление и концентрации реагентов, для максимизации выхода и чистоты конечного продукта	Может помочь сократить время и стоимость разработки ЛС, позволяя компаниям тестировать и оптимизировать различные аспекты процесса синтеза виртуально перед их внедрением в реальном мире
Оптимизация лекарственной формы	Для оптимизации состава и физических свойств ЛП, таких как размер частиц и стабильность препарата	Может помочь улучшить производительность и стабильность ЛС, а также их производственные и эксплуатационные характеристики
Оптимизация тестирования ЛС	Для моделирования и оптимизации тестирования ЛС, включая доклинические исследования на биомоделях и клинические исследования на людях	Может помочь сократить время и стоимость разработки ЛС, позволяя компаниям тестировать и оптимизировать различные аспекты процесса тестирования виртуально перед их внедрением в реальном мире
Оптимизация производства ЛС	Для оптимизации и мониторинга процесса производства ЛС, включая производительность оборудования, использование ресурсов и контроль качества	Может помочь повысить эффективность и экономичность производственного процесса, а также качество и согласованность конечного продукта
Оптимизация доставки ЛС	Для оптимизации и мониторинга доставки ЛС пациентам, включая производительность систем доставки ЛС и эффективность различных схем лечения	Может помочь повысить безопасность, эффективность и качество ЛС, а также опыт пациентов

Цифровые двойники предлагают значительные потенциальные преимущества в фармацевтической промышленности, но при их внедрении также может возникнуть ряд проблем, которые необходимо тщательно рассмотреть и решить.

Использование цифровых двойников в фармацевтической промышленности имеет потенциал для значительного улучшения различных аспектов отрасли и повышения безопасности, эффективности и качества ЛС.

Другие примеры использования цифровых двойников в фармацевтической промышленности:

• цифровые двойники использовались для оптимизации производства биологических препаратов, таких как моноклональные антитела, путем моделирования и оптимизации процесса ферментации. Это может помочь повысить эффективность и экономичность производственного процесса, а также качество и постоянство конечного продукта;
• цифровые двойники были использованы для оптимизации проектирования объектов по производству ЛС путем моделирования и оптимизации планировки и эксплуатации объекта. Это может помочь повысить эффективность и экономичность производственного процесса, а также безопасность, эффективность и качество конечного продукта;
• цифровые двойники были использованы для оптимизации дизайна упаковки и маркировки ЛС путем моделирования и оптимизации процесса упаковки и маркировки. Это может помочь повысить эффективность и экономическую эффективность процесса упаковки и маркировки, а также безопасность, эффективность и качество конечного продукта;
• цифровые двойники использовались для оптимизации распределения и доставки ЛС, включая маршрутизацию, планирование поставок и управление запасами. Это повысило эффективность и экономическую эффективность процесса распределения и доставки, а также доступность ЛС для пациентов.

Цифровые двойники — это виртуальные представления физических систем или процессов, которые создаются с использованием данных от датчиков, приборов и других источников (см. рис. 30).

Цифровые двойники обычно создаются с использованием программного обеспечения автоматизированного проектирования (англ. Computer-aided design; CAD) или других инструментов моделирования, которые позволяют пользователям создавать цифровые модели физических систем или процессов.

Эти модели могут использоваться для моделирования и анализа различных аспектов системы или процесса, включая производительность, эффективность и надежность. Для создания цифрового двойника данные из различных источников должны быть собраны и интегрированы в цифровую модель. Эти данные могут поступать из широкого спектра источников, включая датчики, приборы и другие измерительные устройства, а также данные из исторических записей и моделирования. После создания цифрового двойника его можно использовать различными способами, в том числе для оптимизации и улучшения производительности физической системы или процесса, прогнозирования и предотвращения потенциальных проблем или проблем, а также для мониторинга производительности системы или процесса в режиме реального времени. Существует множество различных инструментов и технологий, которые используются для создания и использования цифровых двойников в фармацевтической промышленности (табл. 19).

Таблица 19. Инструменты и технологии, используемые для создания и использования цифровых двойников в фармацевтической промышленности

Инструменты/технологии	Назначение
Программное обеспечение автоматизированного проектирования (САПР)	Для создания цифровых моделей физических систем или процессов, включая 3D-модели оборудования, объектов и других компонентов. Эти модели могут использоваться для моделирования и анализа различных аспектов системы или процесса, включая производительность, эффективность и надежность
Инструменты анализа и визуализации данных	Для сбора, обработки и анализа данных из различных источников, включая датчики, приборы и другие измерительные устройства. Эти инструменты могут использоваться для создания визуализаций данных в режиме реального времени, что позволяет пользователям контролировать производительность системы или процесса в режиме реального времени
Программное обеспечение для моделирования и симуляции	Для создания виртуальных представлений физических систем или процессов, которые могут использоваться для моделирования и анализа различных аспектов системы или процесса. Эти инструменты могут использоваться для оптимизации и повышения производительности системы или процесса, прогнозирования и предотвращения потенциальных проблем или проблем, а также мониторинга производительности системы или процесса в режиме реального времени
Облачные платформы	Для хранения, управления и доступа к данным и моделям для цифровых двойников. К этим платформам можно получить доступ с любого устройства с подключением к Интернету, что позволяет пользователям получать доступ и использовать цифровых двойников из любого места

Примеры инструментов и технологий, которые используются для создания и использования цифровых двойников в фармацевтической промышленности, приведены в табл. 20.

Название	Краткое описание
AutoCAD	Программное обеспечение САПР, которое используется для создания 2D- и 3D-моделей физических систем или процессов, включая оборудование, объекты и другие компоненты
SolidWorks	Программное обеспечение 3D CAD, которое используется для создания моделей физических систем или процессов, включая оборудование, объекты и другие компоненты
MATLAB	Программное обеспечение для моделирования и симуляции, которое используется для создания виртуальных представлений физических систем или процессов, которые могут использоваться для моделирования и анализа различных аспектов системы или процесса
Azure	Облачная платформа, предлагаемая корпорацией Microsoft, которая используется для хранения, управления и доступа к данным и моделям для цифровых двойников

Ряд глобальных фармацевтических компаний, таких как Novartis, Merck, Roche, AstraZeneca, Pfizer, Johnson & Johnson, Sanofi и Novo Nordisk, внедрили цифровых двойников в свои процессы разработки и производства ЛС для оптимизации различных аспектов этих процессов. Компании использовали цифровых двойников для оптимизации синтеза АФС путем моделирования и оптимизации условий реакции для максимизации выхода и чистоты. Также цифровые двойники использовались этими компаниями для оптимизации проектирования и эксплуатации объектов по производству ЛС путем моделирования и оптимизации планировки и эксплуатации объектов.

Существует множество других доступных инструментов и технологий, поэтому используемые инструменты и технологии могут зависеть от конкретных потребностей и требований компании или организации.

Математические модели могут использоваться в качестве типа цифрового двойника для моделирования и анализа физических систем или процессов, что позволяет оптимизировать и улучшать эти системы и процессы.

Математическая модель — это представление системы или процесса с использованием математических уравнений и принципов, которые могут быть использованы для прогнозирования и анализа поведения системы или процесса в различных условиях.

Математические модели могут быть использованы для создания цифровых двойников несколькими способами, в том числе:

1. Моделирование поведения физической системы или процесса: математические модели могут быть использованы для представления поведения физической системы или процесса, такого как динамика машины или поток жидкостей через систему. Эти модели могут быть использованы для моделирования и анализа производительности системы или процесса в различных условиях.

2. Оптимизация проектирования физической системы или процесса: математические модели могут использоваться для оптимизации проектирования физической системы или процесса путем моделирования и анализа производительности различных вариантов проектирования. Это может помочь определить оптимальную конструкцию для заданного набора требований и ограничений.

3. Прогнозирование и предотвращение проблемы или проблем: математические модели могут использоваться для прогнозирования и предотвращения проблемы или проблем в физической системе или процессе путем моделирования и анализа поведения системы или процесса в различных условиях. Это может помочь выявить потенциальные проблемы или проблемы до их возникновения, что позволяет проводить упреждающее техническое обслуживание и ремонт.

Существует множество различных типов математических алгоритмов, которые могут быть использованы в фармацевтической промышленности (см. табл. 21).

Название	Назначение	Область применения
Алгоритмы оптимизации	Для определения оптимального решения задачи, учитывая набор ограничений или требований	Для оптимизации различных аспектов фармацевтической промышленности, таких как синтез и рецептура ЛС, проектирование производственных мощностей, а также распределение и доставка ЛС
Алгоритмы анализа данных	Для анализа и интерпретации данных из различных источников, таких как датчики, приборы и другие измерительные устройства	Для анализа данных клинических исследований производственных процессов и других областей фармацевтической промышленности
Прогностические алгоритмы	Для прогнозирования будущего поведения или результатов системы или процесса на основе исторических данных и другой информации	Для прогнозирования и предотвращения проблемы или проблем в фармацевтической промышленности, таких как сбои оборудования или проблемы с качеством
Алгоритмы машинного обучения	Тип алгоритма, который может учиться и адаптироваться к новым данным с течением времени, чтобы повысить их производительность без явного программирования	Для анализа и интерпретации больших объемов данных, таких как данные клинических исследований или производственных процессов, для выявления закономерностей и тенденций в данных, которые могут быть использованы для оптимизации и улучшения различных аспектов отрасли

Примеры использования математических алгоритмов в фармацевтической промышленности:

• оптимизация синтеза ЛС: математические алгоритмы были использованы для оптимизации синтеза различных ЛС, включая производство АФС. Например, алгоритмы оптимизации были использованы для определения оптимальных условий реакции для максимизации выхода и чистоты при синтезе АФС;
• оптимизация лекарственной формы: математические алгоритмы были использованы для оптимизации рецептуры различных ЛС, включая размер частиц и стабильность препарата, что привело к улучшению стабильности и биодоступности препарата;
• оптимизация тестирования ЛС: математические алгоритмы были использованы для оптимизации дизайна клинических исследований для различных ЛС. Например, алгоритмы оптимизации были использованы для определения оптимального размера выборки, количества мест исследования и других аспектов дизайна клинического исследования, что привело к повышению эффективности и экономической эффективности исследования;

• оптимизация доставки ЛС: математические алгоритмы были использованы для оптимизации и мониторинга доставки ЛС пациентам, включая производительность систем доставки ЛС;
• анализ данных клинических исследований: математические алгоритмы были использованы для анализа и интерпретации данных клинических исследований, включая данные о результатах лечения пациентов, а также о безопасности и эффективности ЛС. Эти алгоритмы могут быть использованы для выявления закономерностей и тенденций в данных, которые могут быть использованы для оптимизации дизайна, проведения клинических исследований и повышения качества и надежности данных;
• анализ производственных данных: математические алгоритмы были использованы для анализа и интерпретации данных производственных процессов, включая данные о производительности оборудования, использовании ресурсов и качестве продукции. Эти алгоритмы могут быть использованы для выявления закономерностей и тенденций в данных, которые могут быть использованы для оптимизации производственного процесса и повышения эффективности и рентабельности.

Промышленный интернет вещей (IoT)

IoT использует подключенные к Интернету датчики и другие устройства для сбора и анализа данных в промышленных условиях, включая фармацевтическую отрасль. В этом контексте IoT может быть использован для улучшения различных процессов, включая производство, управление цепочками поставок и контроль качества.

Одним из потенциальных направлений применения IoT в фармацевтической промышленности является повышение эффективности и точности производственных процессов за счет использования датчиков и других устройств, которые могут собирать данные о различных аспектах производственного процесса, таких как температура, влажность и производительность оборудования. Эти данные могут быть использованы для оптимизации производственного процесса и выявления любых потенциальных проблем до их возникновения.

IoT также может быть использован для улучшения управления цепочками поставок путем отслеживания движения товаров по цепочке поставок и использования этой информации для оптимизации логистики и управления запасами. Например, датчики могут использоваться для отслеживания температуры и влажности товаров по мере их отправки, гарантируя, что они хранятся и транспортируются в оптимальных условиях.

Также IoT может быть использован для улучшения контроля качества, обеспечивая непрерывный мониторинг производственных процессов и автоматическое обнаружение потенциальных проблем. Например, датчики могут использоваться для контроля качества сырья и готовой продукции, а любые отклонения от установленных стандартов могут быть автоматически отмечены для дальнейшего исследования.

IoT имеет потенциал для повышения эффективности и результативности фармацевтической промышленности, обеспечивая непрерывный мониторинг и оптимизацию различных процессов.

В дополнение к преимуществам, описанным выше, IoT также может быть использован для повышения безопасности и надежности фармацевтического производства и дистрибуции. Например, датчики могут использоваться для мониторинга целостности упаковки и обнаружения любого вмешательства или повреждения.

IoT может использоваться для улучшения прослеживаемости фармацевтической продукции, позволяя производителям и регулирующим органам быстро и точно отслеживать движение товаров по цепочке поставок и выявлять любые проблемы, которые могут возникнуть. Это может быть особенно важно в случае отзыва или других чрезвычайных ситуаций, поскольку помогает свести к минимуму воздействие на пациентов и систему здравоохранения.

Применение IoT в фармацевтической промышленности обеспечивает непрерывный мониторинг и оптимизацию различных процессов, повышая безопасность и защиту, а также обеспечивая более точное прогнозирование и планирование спроса.

Одной из потенциальных проблем внедрения IoT в фармацевтической промышленности является необходимость обеспечения безопасности и конфиденциальности данных. С расширением количества подключенных устройств существует риск того, что конфиденциальная информация может быть доступна неавторизованным лицам или системам. Это может включать конфиденциальные бизнес-данные, а также личные данные о пациентах и медицинских работниках.

Для решения этих проблем фармацевтическим компаниям важно внедрить надежные меры кибербезопасности и обеспечить безопасный сбор, хранение и анализ данных, таких как шифрование, контроль доступа и регулярные оценки безопасности. Также может потребоваться соблюдение различных правил и стандартов, связанных с безопасностью и конфиденциальностью данных, таких как Общий регламент ЕС по защите данных (англ. General Data Protection Regulation; GDPR).

Еще одной проблемой внедрения IoT в фармацевтической промышленности является необходимость обеспечения надежности технологии, что требует использования специализированного оборудования и разработки надежных систем технического обслуживания и поддержки.

Внедрение IoT в фармацевтической промышленности может потребовать значительных инвестиций в технологии и инфраструктуру. Это включает в себя покупку нового аппаратного и программного обеспечения, а также разработку новых процессов и процедур для поддержки использования IoT. Для компаний важно тщательно оценить потенциальные выгоды и затраты от внедрения IoT и убедиться, что у них есть необходимые ресурсы и опыт для успешного внедрения и обслуживания этих систем.

Также потенциальной проблемой внедрения IoT в фармацевтической промышленности является необходимость обеспечения совместимости технологии с существующими системами и процессами. Многие фармацевтические компании имеют сложные и устоявшиеся системы, и может быть трудно интегрировать новые технологии, не нарушая существующие операции. Это потребует разработки пользовательских интерфейсов и интеграционных решений, а также координации нескольких команд и заинтересованных сторон.

Кроме того, могут возникнуть опасения по поводу влияния IoT на занятость в фармацевтической промышленности. Хотя IoT имеет потенциал для повышения эффективности и оптимизации определенных задач, он также может привести к автоматизации определенных рабочих мест или консолидации определенных ролей. Для компаний важно тщательно рассмотреть потенциальное влияние IoT на свою рабочую силу и обеспечить, чтобы сотрудники обладали необходимыми навыками и обучением для адаптации к любым изменениям.

Наконец, принятие IoT в фармацевтической промышленности может потребовать культурного сдвига внутри организаций. IoT включает в себя сбор и анализ больших объемов данных, и это может повлечь за собой изменения в процессах принятия решений и разработки новых подходов к решению проблем.

В целом внедрение IoT в фармацевтической промышленности является сложным процессом, и для компаний важно тщательно рассмотреть потенциальные преимущества и риски, а также убедиться, что у них есть необходимые ресурсы и опыт для успешного внедрения и обслуживания этих систем.

Несколько примеров того, как промышленный интернет вещей используется в фармацевтической промышленности:

Непрерывный мониторинг производственных процессов: датчики и другие устройства могут использоваться для сбора данных о различных аспектах производственного процесса, таких как температура, влажность и производительность оборудования. Эти данные могут быть использованы для оптимизации производственного процесса и выявления любых потенциальных проблем до их возникновения.

Улучшенное управление цепочками поставок: датчики можно использовать для отслеживания движения товаров по цепочке поставок и оптимизации логистики и управления запасами. Например, датчики могут использоваться для отслеживания температуры и влажности товаров по мере их отправки, гарантируя, что они хранятся и транспортируются в оптимальных условиях.

Контроль качества: датчики могут использоваться для непрерывного мониторинга производственных процессов и автоматического обнаружения потенциальных проблем. Например, датчики могут использоваться для контроля качества сырья и готовой продукции, а любые отклонения от установленных стандартов могут быть автоматически отмечены для дальнейшего исследования.

Безопасность и защита: датчики могут использоваться для контроля целостности упаковки и обнаружения любого вмешательства или повреждения, гарантируя, что продукты не будут скомпрометированы до того, как они достигнут конечного пользователя.

Прослеживаемость: IoT может использоваться для улучшения прослеживаемости фармацевтических продуктов, позволяя производителям и регулирующим органам быстро и точно отслеживать движение товаров по цепочке поставок и выявлять любые проблемы, которые могут возникнуть.

Прогнозирование спроса: анализируя данные из различных источников, включая данные о продажах, рыночных тенденциях и демографии пациентов, производители могут более точно прогнозировать спрос и соответствующим образом корректировать производство, потенциально сокращая отходы и повышая эффективность.

Существует широкий спектр решений, доступных для внедрения IoT в фармацевтической промышленности.

Перечень устройств и программ, которые могут быть использованы при внедрении IoT в фармацевтической промышленности, приведен в табл. 22.

Таблица 22. Устройства и программы, используемые при внедрении промышленного интернета вещей в фармацевтической промышленности

Устройство/программа	Назначение	Примеры
Датчики	Устройства, которые используются для измерения и обнаружения физических параметров, таких как температура, влажность, давление и другие переменные	Датчики температуры, датчики влажности, датчики давления и другие типы датчиков
Программное обеспечение для анализа данных	Программное обеспечение для анализа данных, собранных датчиками и другими устройствами, выявления закономерностей и тенденций и составления прогнозов или рекомендаций на основе этой информации	Qlik и Power BI
Промышленные системы управления	Используются для мониторинга и контроля различных аспектов производственного процесса, таких как температура, влажность и производительность оборудования	Программируемые логические контроллеры и системы диспетчерского управления и сбора данных
Программное обеспечение для управления цепочками поставок	Используется для отслеживания движения товаров по цепочке поставок и оптимизации логистики и управления запасами	SAP Logistics Execution, Oracle Transportation Management и JDA Transportation Management
Решения для кибербезопасности	Используются для обеспечения безопасности и конфиденциальности конфиденциальных данных	Антивирусное программное обеспечение, брандмауэры и системы обнаружения и предотвращения вторжений

Облачные решения

Рис. 32

Облачные решения все чаще внедряются в фармацевтической промышленности как способ хранения, управления и анализа данных. Эти решения предлагают несколько преимуществ, в том числе:

1. Масштабируемость: облачные решения могут легко масштабироваться вверх или вниз в соответствии с меняющимися потребностями фармацевтической компании.

2. Экономия средств: используя облачные решения, фармацевтические компании могут сэкономить на расходах на оборудование и ИТ-инфраструктуру.

3. Безопасность: облачные провайдеры обычно имеют надежные меры безопасности для защиты данных от несанкционированного доступа и киберугроз.

4. Совместная работа: облачные решения упрощают совместную работу команд и обмен данными независимо от их местоположения.

Существует множество облачных решений, доступных для фармацевтической промышленности, включая программное обеспечение для управления клиническими исследованиями, электронные медицинские карты, управление цепочками поставок и многое другое. Эти решения могут помочь фармацевтическим компаниям повысить эффективность, снизить затраты и повысить качество своей продукции.

В фармацевтической промышленности есть несколько областей, где облачные решения могут быть особенно полезны:

1. Управление клиническими исследованиями: облачные решения могут помочь фармацевтическим компаниям управлять сложным процессом проведения клинических исследований, включая отслеживание и анализ данных, управление набором и регистрацией, а также общение с исследовательскими сайтами.

2. Электронные медицинские карты (ЭМК): облачные системы ЭМК могут помочь поставщикам медицинских услуг хранить и получать доступ к медицинским картам пациентов, а также обмениваться данными с другими поставщиками медицинских услуг и исследователями.

3. Управление цепочками поставок: облачные решения могут помочь фармацевтическим компаниям управлять своей цепочкой поставок, включая отслеживание движения сырья, готовой продукции и логистики.

4. Анализ данных: облачные решения могут помочь фармацевтическим компаниям анализировать большие объемы данных, включая данные клинических исследований, данные о продажах и многое другое. Это может помочь компаниям принимать более обоснованные решения о разработке продукта и маркетинге.

5. Совместная работа: облачные решения могут помочь фармацевтическим компаниям улучшить сотрудничество между членами команды, независимо от их местоположения. Это может помочь командам работать более эффективно и принимать лучшие решения.

Использование облачных решений в фармацевтической промышленности имеет определенные преимущества и недостатки (см. рис. 33).

К преимуществам использования облачных решений в фармацевтической промышленности относятся:

1. Гибкость: облачные решения могут быть доступны с любого устройства с подключением к Интернету, что делает их особенно полезными для компаний с удаленными работниками или несколькими местоположениями.

2. Надежность: облачные провайдеры, как правило, имеют надежную инфраструктуру, чтобы гарантировать, что их услуги доступны и надежны, даже в периоды высокого спроса.

3. Безопасность: облачные провайдеры обычно имеют надежные меры безопасности для защиты данных от несанкционированного доступа и киберугроз.

4. Экономия средств: используя облачные решения, фармацевтические компании могут сэкономить на расходах на оборудование и ИТ-инфраструктуру, а также на расходах, связанных с обслуживанием и обновлением программного обеспечения.

5. Масштабируемость: облачные решения могут легко масштабироваться вверх или вниз в соответствии с меняющимися потребностями фармацевтической компании. Это может быть особенно полезно для компаний, которые испытывают сезонные колебания спроса.

Облачные решения могут помочь фармацевтическим компаниям повысить эффективность, снизить затраты и повысить качество своей продукции.

Существует ряд проблем, с которыми могут столкнуться фармацевтические компании при внедрении облачных решений:

1. Интеграция: фармацевтические компании могут иметь существующие системы и процессы, которые необходимо интегрировать с новыми облачными решениями. Это может быть сложным и трудоемким процессом.

2. Конфиденциальность и безопасность данных: фармацевтические компании часто обрабатывают конфиденциальные данные, такие как личная медицинская информация и коммерческая тайна. Обеспечение конфиденциальности и безопасности этих данных является ключевой задачей при использовании облачных решений.

3. Соответствие нормативным требованиям: фармацевтические компании должны соблюдать различные правила, такие как руководящие принципы надлежащей клинической практики (GCP). Обеспечение соответствия облачных решений этим нормам может быть сложной задачей.

4. Привязка к поставщику: некоторые облачные решения могут быть проприетарными и не позволяют пользователям легко переключаться на другого поставщика. Это создает привязку к поставщику, что может быть проблемой для компаний, которые хотят сохранить гибкость и контроль над своими ИТ-системами.

Несмотря на эти проблемы, многие фармацевтические компании обнаруживают, что преимущества облачных решений перевешивают потенциальные трудности. Тщательно обдумывая свои потребности и выбирая необходимые облачные решения, компании могут улучшить свою деятельность и лучше обслуживать своих клиентов.

Существует ряд действий, которые фармацевтическим компаниям следует предпринять для успешного внедрения облачных решений:

1. Определение бизнес-потребности: перед внедрением облачного решения важно тщательно рассмотреть конкретные бизнес-потребности, которые будет удовлетворять решение. Это может помочь гарантировать, что выбранное решение подходит для компании.

2. Исследование и сравнение поставщиков: существует множество различных облачных решений, и важно провести тщательное исследование и сравнить поставщиков, чтобы найти решение, которое наилучшим образом соответствует потребностям компании.

3. Внедрение облачного решения: перед внедрением облачного решения важно составить четкий план того, как решение будет использоваться, в том числе как оно будет интегрировано с существующими системами и процессами.

4. Обеспечение соответствия нормативным требованиям: важно убедиться, что выбранное облачное решение соответствует всем соответствующим правилам, таким как руководящие принципы по надлежащей клинической практике (GCP).

5. Планировать миграцию данных: если облачное решение заменит существующую систему, важно тщательно спланировать миграцию данных в новую систему.

6. Обучение сотрудников: важно обеспечить обучение сотрудников, которые будут использовать облачное решение, чтобы убедиться, что они могут эффективно его использовать.

Следуя данному алгоритму действий, фармацевтические компании могут успешно внедрять облачные решения и реализовывать многие преимущества, которые они предлагают.

Для того чтобы обеспечить успех своих облачных решений, фармацевтическим компаниям следует:

1. Установить четкие цели и задачи: важно иметь четкое понимание того, чего компания надеется достичь с помощью своего облачного решения, и установить конкретные цели и задачи для руководства процессом внедрения.

2. Выбрать правильного поставщика: важно тщательно исследовать и сравнивать поставщиков, чтобы найти решение, которое наилучшим образом соответствует потребностям компании. Это может включать в себя рассмотрение таких факторов, как послужной список поставщика, меры безопасности, которые они применяют, и уровень поддержки, который они предлагают.

3. Планировать миграцию данных: если облачное решение заменит существующую систему, важно тщательно спланировать миграцию данных в новую систему. Это может включать в себя создание процессов передачи данных, тестирование процесса, чтобы убедиться, что он работает должным образом, и обучение сотрудников тому, как использовать новую систему.

4. Обеспечить соответствие нормативным требованиям: фармацевтические компании должны соблюдать различные правила, такие как GCP. Важно убедиться, что выбранное облачное решение соответствует этим правилам.

5. Проводить мониторинг и оценку решений: после внедрения облачного решения важно постоянно отслеживать и оценивать его производительность, чтобы убедиться, что оно соответствует потребностям и целям компании. Это может включать в себя сбор отзывов от сотрудников, анализ данных, об использовании решения и внесение любых необходимых корректировок.

Следуя этим рекомендациям, фармацевтические компании могут гарантировать, что их облачные решения будут успешными и обеспечат ценность для организации.

Существует несколько способов, которыми фармацевтические компании могут обеспечить безопасность своих данных при использовании облачных решений:

1. Выбор авторитетного поставщика: важно выбрать облачного провайдера, который имеет опыт предоставления безопасных услуг и имеет надежные меры безопасности. Это может включать в себя такие меры, как шифрование, несколько уровней безопасности и частые аудиты безопасности.

2. Знакомство с политикой безопасности поставщика: важно проанализировать политики и методы безопасности поставщика, чтобы убедиться, что они соответствуют стандартам компании в области безопасности данных. Это может включать в себя пересмотр политик защиты данных поставщика, а также мер безопасности, которые они применяют для предотвращения несанкционированного доступа к данным.

3. Внедрение дополнительных мер безопасности: в дополнение к мерам безопасности, предоставляемым поставщиком, фармацевтическим компаниям важно внедрить свои собственные меры безопасности для защиты своих данных. Это может включать в себя реализацию аутентификации и контроля доступа, а также регулярное обновление программного обеспечения и протоколов безопасности.

4. Создание плана управления данными: важно установить четкий план того, как данные будут использоваться, получать к ним доступ и совместно использоваться в организации. Это может включать в себя установление ролей и обязанностей по управлению данными, а также установление политик и процедур обработки данных.

Следуя этим рекомендациям, фармацевтические компании могут обеспечить безопасность своих данных при использовании облачных решений.

Существуют также некоторые дополнительные рекомендации по обеспечению конфиденциальности данных при использовании облачных решений в фармацевтической промышленности:

1. Маскировка данных: это метод, который включает в себя замену конфиденциальных данных похожими данными, которые не являются конфиденциальными. Это может быть полезно для целей тестирования, так как позволяет компаниям использовать реальные данные, не раскрывая конфиденциальную информацию.

2. Шифрование данных: преобразование их в форму, которая может быть прочитана только с помощью надлежащего ключа шифрования, что позволяет защитить данные от доступа неавторизованных сторон.

3. Контроль доступа к данным: важно реализовать элементы управления, чтобы гарантировать, что только авторизованные пользователи имеют доступ к конфиденциальным данным. Это может включать в себя реализацию мер аутентификации, таких как пароли или двухфакторная аутентификация.

4. Политики хранения данных: важно установить политики для того, как долго данные будут храниться и когда они будут удалены. Это может помочь гарантировать, что данные не хранятся дольше, чем это необходимо, снижая риск доступа к ним неавторизованных сторон.

Следуя этой практике, фармацевтические компании могут гарантировать, что их данные защищены и остаются конфиденциальными при использовании облачных решений.

Несколько примеров конкретных облачных решений, которые обычно используются в фармацевтической промышленности, представлены в табл. 23.

Название	Краткая характеристика
Medidata Rave	Платформа для управления клиническими исследованиями, которая помогает фармацевтическим компаниям управлять сложным процессом проведения клинических исследований. Она предлагает такие функции, как отслеживание данных, управление зачислением и связь с учебными сайтами
Epic Systems	Поставщик систем электронных медицинских карт (EHR), которые помогают поставщикам медицинских услуг хранить и получать доступ к медицинским записям пациентов, а также обмениваться данными с другими поставщиками медицинских услуг и исследователями
SAP Business Network	Облачная платформа управления цепочками поставок, которая помогает фармацевтическим компаниям отслеживать движение сырья, готовой продукции и логистики
Asana	Инструмент управления проектами и совместной работой, который помогает фармацевтическим компаниям улучшить общение и сотрудничество между членами команды, независимо от их местоположения

Облачная миграция относится к процессу перемещения данных, приложений или других рабочих нагрузок из локальной среды в облачную среду.

Примеры облачной миграции в фармацевтической промышленности:

Данные клинических исследований: фармацевтическая компания может перенести данные из клинических исследований на облачную платформу, чтобы упростить доступ, совместное использование и анализ данных.

Электронные медицинские карты (ЭМК): поставщик медицинских услуг может перенести свою систему ЭМК в облако, чтобы улучшить доступ к медицинским картам пациентов, а также снизить затраты и сложность обслуживания локальной системы.

Управление цепочками поставок: фармацевтическая компания может перенести свою систему управления цепочками поставок в облако, чтобы улучшить отслеживание и видимость, а также снизить затраты и сложность обслуживания локальной системы.

Анализ данных: фармацевтическая компания может перенести свои инструменты анализа данных в облако, чтобы упростить анализ больших объемов данных, включая данные клинических исследований, данные о продажах и многое другое.

Инструменты для совместной работы: фармацевтическая компания может перенести свои инструменты совместной работы, такие как программное обеспечение для управления проектами, в облако, чтобы улучшить общение и сотрудничество между членами команды, независимо от их местоположения.

Можно перенести данные, приложения или другие рабочие нагрузки из облачной среды обратно в локальную среду. Этот процесс известен как «облачная репатриация», или «выход из облака».

Существует множество причин, по которым компания может выбрать репатриацию своих данных или приложений из облака. Например, компания может обнаружить, что стоимость использования облачного решения выше, чем ожидалось, или что решение не соответствует потребностям компании так, как ожидалось. В этих случаях компания может принять решение о возврате данных или приложений внутрь компании, чтобы лучше контролировать расходы или повысить производительность.

Существует ряд нормативных ограничений, которые компании должны учитывать при использовании облачных решений. Например, GCP определяют требования к использованию электронных данных в клинических исследованиях, включая использование облачных решений. При эксплуатации облачных решений совместная валидация часто используется для подтверждения того, что облачные решения соответствуют нормативным требованиям к обработке конфиденциальных данных, таких как данные клинических исследований.

Существует несколько преимуществ совместной валидации в фармацевтической промышленности:

1. Экономия средств: совместная проверка может помочь снизить затраты, связанные с проверкой облачных решений, поскольку она позволяет нескольким компаниям разделить затраты на процесс проверки.

2. Улучшение качества: совместная проверка может помочь улучшить качество облачных решений, гарантируя, что они тщательно протестированы и проверены.

3. Соответствие нормативным требованиям: совместная проверка может помочь обеспечить соответствие облачных решений нормативным требованиям, что особенно важно в фармацевтической промышленности, где к обработке и обработке конфиденциальных данных применяются строгие нормативные стандарты.

Совместная валидация может быть эффективным способом для фармацевтических компаний обеспечить производительность и качество своих облачных решений, а также снизить затраты и улучшить соответствие нормативным требованиям. Возможно, что регулирующие органы могут не принимать совместную валидацию в определенных случаях, в зависимости от конкретных обстоятельств и нормативных требований, которые применяются. Однако важно отметить, что совместная проверка обычно принимается регулирующими органами в качестве обоснованного подхода к проверке производительности и качества облачных решений при условии, что она выполняется таким образом, чтобы соответствовать нормативным требованиям.

Для того чтобы регулирующие органы приняли совместную валидацию, необходимо, чтобы процесс валидации был тщательно задокументирован, и чтобы результаты валидации были четко продемонстрированы.

Одним из потенциальных преимуществ облачных решений является то, что они обычно управляются и поддерживаются поставщиком, что может облегчить компаниям обеспечение соответствия.

Искусственный интеллект и машинное обучение

Искусственный интеллект (AI) применяется в фармацевтических компаниях для выполнения сложных задач с использованием автоматизированных алгоритмов, предназначенных для обработки больших объемов данных.

За последние годы использование ИИ в фармацевтической и биотехнологической промышленности изменило то, как ученые определяют новые мишени для ЛС, выполняют репозиционирование и перепрофилирование ЛС, генерируют новые молекулы, проводят клинические исследования и выполняют все другие действия на протяжении всего жизненного цикла ЛС.

Одной из основных причин интереса к ИИ является в том числе снижение затрат на разработку ЛС.

1. Исследования и разработки. В разработке ЛС ИИ применяется в первоначальном скрининге лекарственных соединений с предсказуемым показателем успеха, основанным на биологических факторах. Быстрое измерение РНК, ДНК, прецизионная медицина или секвенирование следующего поколения помогают быстрее находить ЛС и индивидуальные ЛС для отдельных пациентов.

2. Доклинические исследования. В настоящее время исследователи используют ИИ для оптимизации сбора данных и скрининга для получателей доклинических тестов. С помощью инструментов ИИ, таких как глубокое обучение и машинное обучение, можно анализировать, выбирать шаблоны и связывать соответствующие данные, которые могут привести к открытию ЛС. ИИ может быть использован для автоматизации доклинического анализа изображений и образцов.

3. Клинические исследования. ИИ может применяться на всех ключевых этапах клинических исследований: определения подходящего кандидата на исследование на основе истории и условий заболевания, а также дополнительных характеристик, учитывающих уровень инфицирования, демографию и этническую принадлежность.

Данные реальной клинической практики (англ. real-world data; RWD) в медицине и фармации, и доказательства, основанные на этих данных (англ. real-world evidence; RWE) играют все большую роль в принятии решений в области здравоохранения. Использование компьютеров, мобильных устройств, носимых устройств и других биосенсоров для сбора и хранения огромных объемов данных, связанных со здоровьем, быстро ускоряется. Эти данные могут позволить фармацевтическим компаниям лучше планировать и проводить клинические исследования и исследования в медицинских учреждениях, чтобы ответить на вопросы, которые ранее были невозможны.

4. Производство. Искусственные нейронные сети (англ. artificial neural networks; ANNs) при разработке тестовых препаратов на основе QbD были успешно применены для установления спецификаций на производственные процессы исходя из необходимых характеристик ЛС.

5. Доступность и логистика. Технологии машинного обучения и ИИ также применяются для мониторинга и прогнозирования эпидемических вспышек или сезонных заболеваний во всем мире. Прогноз помогает планировать цепочку поставок, чтобы получить запасы в нужное время и в нужном количестве на основе прогнозируемой интенсивности.

Периодическая нехватка на рынке основных ЛС является глобальной проблемой общественного здравоохранения. Использование многослойных нейронных сетей для мониторинга дефицита ЛС позволит перевести аппарат прогнозирования с уровня эмпирических наблюдений на научную методологию прогнозирования.

6. Медицинское применение. ИИ может применяться в клинической практике в качестве инструмента для персонализации лечения, поддержки принятия решений о терапии и управления несколькими рецептами на ЛС.

7. Фармаконадзор. Современный фармаконадзор опирается на различные источники данных, такие как молекулярные, химиоинформационные и клинические базы данных, а также социальные сети и биомедицинская литература. Применение ИИ позволяет выявлять несоответствия в автоматическом режиме и своевременно реагировать на них.

Ниже приведен ряд примеров использования ИИ.

Медицинская компания In-silico сосредоточена на применении методов ИИ для разработки ЛС, разработки биомаркеров и исследований старения. Основное внимание уделяется двум методам машинного обучения: генеративным состязательным сетям и обучению с подкреплением.

Cortex использует искусственный интеллект для организации данных и предоставления информации командам разработчиков. Каталог включает в себя десятки миллионов высококачественных текстовых источников, таких как PubMed , патенты и клинические исследования.

Xbird использует передовой искусственный интеллект, чтобы понять взаимосвязь между поведением пациента, терапией и здоровьем. Это помогает повысить приверженность терапии и улучшить результаты лечения.

Gene Network Sciences (GNS) Healthcare заявила, что их системы компьютерного моделирования используются для проведения миллиардов виртуальных экспериментов для выявления биомаркеров эффективности и токсичности ЛС для стратификации пациентов в клинических исследованиях.

Standigm использует ИИ для выявления закономерностей и тенденций, связанных с биологией человека, в обширных биомедицинских базах данных.

Genesis Therapeutics создала передовую платформу для обнаружения малых молекул для ускорения и оптимизации разработки новых ЛС.

Платформа MedAware обнаруживает и предотвращает ошибки и риски, связанные с ЛС.

LabGenius находит ЛС следующего поколения с помощью машинного обучения, синтетической биологии и автоматизации лабораторий, используя возможности машинного обучения для создания более продвинутых белковых терапевтических средств.

PathAI в настоящее время использует машинное обучение для классификации цифровых изображений клеток, каждое из которых обработано различными экспериментальными соединениями. Алгоритмы машинного обучения собирают и группируют соединения, которые имеют сходные эффекты, прежде чем передавать чистые данные исследователям, которые могут решить, как использовать эти данные в своей работе.

ИИ в настоящее время применим для решения задач в следующих направлениях:

• идентификация лекарственных мишеней при разработке ЛС;
• генерация новых молекул в виртуальной среде;
• репозиционирование и перепрофилирование ЛС;
• генерация объектов синтетической биологии;
• клинические исследования ЛС;
• персонализированная терапия и контроль дозирования ЛС, персонализированная медицина;
• логистика ЛС.

Таким образом, в ближайшее время технология ИИ станет неделимым компонентом фармацевтической промышленности. Наиболее оптимальным является целостный подход к внедрению ИИ в жизненный цикл ЛС, который может быть достигнут путем интеграции различных решений ИИ в практику, а также расширения областей его применимости.

Автоматизированная непрерывная проверка процесса

Автоматизированная непрерывная проверка процессов (англ. Automated continuous process verification; ACPV) — это подход к обеспечению качества, используемый в фармацевтической промышленности для обеспечения того, чтобы производственные процессы последовательно производили продукты требуемого качества. Он предполагает использование автоматизированных систем для непрерывного мониторинга и проверки технологических параметров и атрибутов качества продукции во время производства. Целью ACPV является выявление любых отклонений от установленных технологических параметров и стандартов качества продукции по мере их возникновения, а также своевременное принятие корректирующих мер для предотвращения производства продукции, не соответствующей требованиям.

ACPV может быть реализован с использованием различных технологий, включая датчики, технологию анализа процессов (англ. Process analytical technology; PAT) и анализ данных. Датчики могут использоваться для измерения параметров процесса, таких как температура, давление и скорость потока, в то время как PAT может использоваться для мониторинга химических и физических свойств продукта в режиме реального времени. Аналитика данных может использоваться для анализа данных о процессах и продуктах, собранных этими технологиями, выявления тенденций и закономерностей, а также прогнозирования того, когда могут произойти отклонения от установленных параметров процесса и стандартов качества продукции.

Одним из основных преимуществ ACPV является то, что он позволяет производителям обнаруживать и корректировать отклонения процесса, прежде чем они приведут к производству несоответствующих продуктов. Это может помочь предотвратить дорогостоящий отзыв продукции и улучшить качество и согласованность продукции. ACPV также может помочь производителям оптимизировать свои процессы, выявляя возможности для улучшения и снижения изменчивости производственного процесса.

В целом ACPV является важным инструментом для обеспечения качества и согласованности фармацевтической продукции и все чаще принимается производителями в отрасли.

Внедрение ACPV требует тщательного планирования и разработки соответствующих систем и процессов. Это может включать в себя выбор и установку соответствующих датчиков и систем PAT, развитие возможностей анализа данных и отчетности, а также установление процедур реагирования на отклонения и осуществления корректирующих действий. Также может включать обучение персонала использованию систем ACPV и разработку соответствующих процессов контроля качества и обеспечения качества.

Благодаря постоянному мониторингу и проверке параметров процесса и качества продукции ACPV может помочь предотвратить производство несоответствующей продукции, оптимизировать производственные процессы и соответствовать нормативным требованиям.

Существует несколько ключевых требований при внедрении ACPV в фармацевтическое производство.

1. Выбор параметров процесса и атрибутов качества: важно определить параметры процесса и атрибуты качества продукции, которые имеют решающее значение для качества готового продукта. Они будут варьироваться в зависимости от конкретного производимого продукта и используемого производственного процесса.

2. Сбор и анализ данных: системы ACPV должны иметь возможность собирать и анализировать данные из различных источников, включая датчики процесса и системы PAT. Эти данные должны собираться в режиме реального времени и анализироваться для выявления тенденций и закономерностей, которые могут указывать на отклонения от установленных параметров процесса и стандартов качества продукции.

3. Корректирующие действия: системы ACPV должны иметь возможность инициировать корректирующие действия в ответ на отклонения от установленных параметров процесса и стандартов качества продукции. Это может включать корректировку переменных процесса или остановку производственного процесса до тех пор, пока проблема не будет решена.

4. Документация и отчетность: системы ACPV должны иметь возможность генерировать документацию и отчеты, демонстрирующие соответствие нормативным требованиям и надлежащей производственной практике. Это может включать отчеты о параметрах процесса, качестве продукции и предпринятых корректирующих действиях.

5. Обучение и поддержка: персонал, участвующий в процессе ACPV, должен быть обучен использованию систем ACPV и связанных с ними процессов и процедур. Также важно иметь достаточную техническую поддержку для обеспечения бесперебойной работы систем ACPV.

В целом внедрение ACPV в условиях фармацевтического производства требует тщательного планирования, разработки соответствующих систем и процессов, а также обучения персонала. Хотя это может быть значительным мероприятием, преимущества ACPV, включая улучшение качества продукции, согласованности и соответствия нормативным требованиям, делают его важным инструментом для производителей в отрасли.

Для обеспечения успешного внедрения и эксплуатации систем ACPV в условиях фармацевтического производства необходимы:

1. Определение критических параметров процесса и атрибутов качества: важно определить параметры процесса и атрибуты качества продукта, которые имеют решающее значение для качества готового продукта. Они будут варьироваться в зависимости от конкретного производимого продукта и используемого производственного процесса.

2. Разработка четких процедур и протоколов: системы ACPV должны быть интегрированы с другими системами и процессами, такими как системы управления производством (MES) и системы контроля качества. Важно разработать четкие процедуры и протоколы того, как эти системы будут работать вместе и как будут выявляться и устраняться отклонения.

3. Обеспечение целостности данных: системы ACPV полагаются на точные и надежные данные. Важно обеспечить целостность данных, собираемых системами ACPV, и установить процессы проверки точности данных.

4. Создание системы непрерывного совершенствования: системы ACPV могут предоставить ценную информацию о производственном процессе и определить возможности для улучшения. Важно создать систему для непрерывного обзора и анализа данных, генерируемых системами ACPV, и использовать эти данные для стимулирования усилий по постоянному совершенствованию.

5. Подготовка персонала: персонал, участвующий в процессе ACPV, должен быть обучен использованию систем ACPV и связанных с ними процессов и процедур. Также важно иметь достаточную техническую поддержку для обеспечения бесперебойной работы систем ACPV.

Следуя этим рекомендациям, производители могут обеспечить успешное внедрение и эксплуатацию систем ACPV и реализовать все преимущества этого важного инструмента обеспечения качества.

К факторам, влияющим на эффективность ACPV в условиях фармацевтического производства, относятся:

1. Сложность процесса: системы ACPV более эффективны в процессах, которые относительно просты и хорошо понятны. В сложных или плохо изученных процессах может быть сложнее определить ключевые параметры процесса и атрибуты качества продукции, которые необходимо контролировать, а также разработать соответствующие возможности анализа данных и отчетности.

2. Качество данных: эффективность ACPV зависит от точности и надежности данных, собранных системами ACPV. Если данные имеют низкое качество, может быть трудно выявить отклонения от установленных технологических параметров и стандартов качества продукции.

3. Интеграция с другими системами: системы ACPV должны быть интегрированы с другими системами, такими как планирование ресурсов предприятия (ERP) и системы управления производством (MES).

4. Обучение и поддержка персонала: эффективность ACPV зависит от навыков и знаний персонала, вовлеченного в процесс. Важно обеспечить надлежащую подготовку персонала по вопросам использования систем ACPV и связанных с ними процессов и процедур, а также иметь достаточную техническую поддержку для обеспечения бесперебойной работы систем ACPV.

Существует несколько способов, с помощью которых ACPV может быть использован для оптимизации фармацевтических производственных процессов:

1. Выявление узких мест и неэффективности процесса: непрерывно контролируя параметры процесса и качество продукции, системы ACPV могут выявлять узкие места и неэффективность в производственном процессе. Это может помочь производителям определить возможности для улучшения и оптимизировать процесс.

2. Снижение изменчивости производственного процесса: системы ACPV могут помочь производителям определить источники изменчивости в производственном процессе и принять корректирующие меры для уменьшения этой изменчивости. Это может повысить согласованность и предсказуемость производственного процесса, а также снизить риск производства продукции, не соответствующей требованиям.

3. Улучшение управления процессом: благодаря постоянному мониторингу параметров процесса и качества продукции системы ACPV могут помочь производителям лучше контролировать свои процессы. Это может помочь предотвратить отклонения от установленных технологических параметров и стандартов качества продукции, а также улучшить качество и консистенцию готового продукта.

4. Определение возможностей для оптимизации процессов: системы ACPV могут предоставить ценную информацию о производственном процессе и определить возможности для оптимизации. Это может включать корректировку переменных процесса, внедрение улучшений процесса или выявление и исправление источников изменчивости в производственном процессе.

Преимущества, которые могут быть реализованы путем внедрения ACPV в условиях фармацевтического производства:

1. Улучшение качества продукции: системы ACPV могут помочь производителям выявлять и исправлять отклонения от установленных параметров процесса и стандартов качества продукции, прежде чем они приведут к производству несоответствующей продукции. Это может помочь предотвратить дорогостоящий отзыв продукции и улучшить общее качество готового продукта.

2. Повышение эффективности процесса: благодаря постоянному мониторингу параметров процесса и качества продукции системы ACPV могут помочь производителям выявлять узкие места и неэффективность в производственном процессе и принимать корректирующие меры для повышения эффективности.

3. Улучшенная согласованность: системы ACPV могут помочь производителям определить и исправить источники изменчивости в производственном процессе и снизить риск производства несоответствующих продуктов. Это может повысить согласованность и предсказуемость производственного процесса, а также повысить удовлетворенность клиентов.

4. Улучшенное соответствие нормативным требованиям: системы ACPV могут предоставлять документацию и данные, необходимые для демонстрации соответствия GMP и нормативным требованиям.

Примеры компаний, которые предлагают решения для ACPV в фармацевтической промышленности:

• Emerson: платформа Emerson DeltaV Digital Twin на базе OPC UA представляет собой программное решение, которое можно использовать для мониторинга и проверки фармацевтических производственных процессов в режиме реального времени. Она использует технологию анализа процессов (PAT) и аналитику данных для непрерывного мониторинга параметров процесса и качества продукции, а также для оповещения операторов о возможных отклонениях от установленных диапазонов;
• Rockwell Automation: компания предлагает ряд решений для ACPV в фармацевтической промышленности, включая решение FactoryTalk ProductionCentre, которое позволяет производителям контролировать и верифицировать производственные процессы в режиме реального времени, используя датчики и аналитику данных для выявления отклонений от установленных технологических параметров и стандартов качества продукции;
• Siemens: предлагает ряд решений для ACPV в фармацевтической промышленности, включая решение SIMATIC PAT, которое позволяет производителям контролировать и верифицировать производственные процессы в режиме реального времени, используя технологические процессы (PAT) и аналитику данных для выявления отклонений от установленных параметров процесса и стандартов качества продукции.

Примеры успешного внедрения ACPV в фармацевтической промышленности:

• Pfizer: внедрила систему ACPV на своем производственном объекте во Фрайбурге, Германия, используя платформу Emerson DeltaV Digital Twin. Система контролирует производство стерильных инъекционных продуктов в режиме реального времени, используя технологическую аналитическую технологию (PAT) и аналитику данных для выявления отклонений от установленных параметров процесса и стандартов качества продукции.
• Johnson & Johnson: внедрила систему ACPV на своем производственном объекте в Корке, Ирландия, используя решение FactoryTalk ProductionCentre от Rockwell Automation. Система контролирует производство фармацевтической продукции в режиме реального времени, используя датчики и аналитику данных для выявления отклонений от установленных параметров процесса и стандартов качества продукции.
• Merck: внедрила систему ACPV на своем производственном объекте в Дармштадте, Германия, используя решение SIMATIC PAT от Siemens. Система контролирует производство фармацевтической продукции в режиме реального времени, используя процессно-аналитическую технологию и аналитику данных для выявления отклонений от установленных технологических параметров и стандартов качества продукции.

Существует несколько ключевых тенденций в развитии и использовании ACPV в фармацевтической промышленности:

1. Более широкое внедрение: ACPV все чаще используется фармацевтическими производителями в качестве инструмента для улучшения качества, согласованности и эффективности продукции, а также для демонстрации соответствия нормативным требованиям.

2. Развитие новых технологий: наблюдается тенденция к разработке новых технологий и методов для ACPV, таких как расширенная аналитика данных. Эти технологии могут помочь производителям более эффективно собирать и анализировать данные, а также выявлять отклонения от установленных параметров процесса и стандартов качества продукции в режиме реального времени.

3. Усиление интеграции с другими системами: системы ACPV все чаще интегрируются с другими системами, такими как системы планирования ресурсов предприятия (ERP) и системы управления производством (MES). Ожидается, что эта тенденция сохранится, поскольку производители ищут способы оптимизации своей деятельности и повышения эффективности.

4. Повышенное внимание к управлению и анализу данных: системы ACPV генерируют большие объемы данных, и существует тенденция к развитию передовых возможностей управления и анализа данных, чтобы облегчить производителям анализ и эффективное использование этих данных.

Решения для компьютерного зрения

Компьютерное зрение — это область ИИ, которая занимается тем, как компьютеры могут понимать и интерпретировать визуальные данные из окружающего мира. Она включает в себя разработку алгоритмов и систем, которые могут обрабатывать и анализировать изображения и видео, извлекать из них значимую информацию и принимать решения на основе этой информации.

Системы компьютерного зрения могут быть обучены распознавать и классифицировать объекты, выявлять закономерности и тенденции, а также выполнять такие задачи, как отслеживание объектов и сегментация изображений. Они могут использоваться в широком спектре применений, включая робототехнику, наблюдение, медицинскую визуализацию и автономные транспортные средства.

Ключевые методы и технологии, используемые в компьютерном зрении, включают машинное обучение, распознавание образов, обработку изображений, библиотеки и платформы компьютерного зрения.

Потенциальные области применения компьютерного зрения в фармацевтической промышленности включают:

1. Контроль качества: компьютерное зрение может использоваться для контроля и проверки качества фармацевтических продуктов, таких как таблетки и капсулы. Его можно использовать для выявления дефектов, обеспечения правильного размера и формы таблеток, а также проверки правильности герметизации упаковки.

2. Управление цепочками поставок: компьютерное зрение может использоваться для отслеживания и мониторинга движения фармацевтической продукции по цепочке поставок, от производства до распределения. Это может помочь повысить эффективность и снизить риск ошибок.

3. Клинические исследования: компьютерное зрение может быть использовано для анализа медицинских изображений, таких как рентгеновские снимки, компьютерная и магнитно-резонансная томография, для выявления потенциальных признаков заболевания или для отслеживания прогресса лечения.

4. Анализ химических структур ЛС: компьютерное зрение может быть использовано для анализа химических структур ЛС.

Способы использования компьютерного зрения для контроля качества в фармацевтической промышленности:

1. Проверка таблеток: системы компьютерного зрения могут быть обучены выявлять дефекты в таблетках, такие как сколы, трещины и обесцвечивание. Они также могут быть использованы для проверки того, что таблетки имеют правильный размер, форму и цвет, и что они правильно запечатаны в упаковке.

2. Проверка капсул: компьютерное зрение может быть использовано для проверки того, что капсулы правильно заполнены и герметизированы, а также для выявления любых дефектов в самой капсуле.

3. Инспекция упаковки: компьютерное зрение может быть использовано для проверки того, что фармацевтические продукты правильно упакованы и запечатаны, а также для выявления любых дефектов в самой упаковке.

Способы использования компьютерного зрения для управления цепочками поставок:

1. Отслеживание и мониторинг: компьютерное зрение может использоваться для отслеживания и мониторинга движения фармацевтической продукции по цепочке поставок, от производства до распределения. Это может помочь выявить узкие места и неэффективность, а также оптимизировать поток продуктов.

2. Управление запасами: компьютерное зрение может использоваться для автоматического подсчета и отслеживания запасов фармацевтических продуктов, помогая гарантировать, что нужные продукты доступны, когда это необходимо.

3. Контроль качества: компьютерное зрение может использоваться для контроля и проверки качества фармацевтических продуктов в различных точках цепочки поставок, помогая гарантировать, что на рынок поступают только высококачественные продукты.

4. Обнаружение мошенничества: компьютерное зрение может быть использовано для обнаружения мошеннических или контрафактных продуктов в цепочке поставок, помогая защитить от появления поддельных или некачественных продуктов на рынке.

Способы использования компьютерного зрения в медицине:

1. Анализ изображений: алгоритмы компьютерного зрения могут быть обучены анализу медицинских изображений и извлечению из них значимой информации. Это может помочь выявить аномалии или изменения в изображениях и отслеживать прогресс лечения с течением времени.

2. Распознавание объектов: компьютерное зрение может использоваться для автоматического обнаружения и классификации объектов на медицинских изображениях, таких как опухоли или другие аномалии. Это может помочь повысить точность и эффективность анализа изображений.

3. Сегментация изображения: компьютерное зрение может использоваться для автоматической сегментации медицинских изображений на различные области, представляющие интерес, что облегчает анализ определенных областей изображения.

4. Автоматизированная диагностика: компьютерное зрение может использоваться для автоматической диагностики медицинских состояний на основе анализа медицинских изображений.

Способы использования компьютерного зрения при создании новых ЛС:

1. Анализ молекулярной структуры: алгоритмы компьютерного зрения могут быть обучены анализу молекулярных структур потенциальных ЛС и прогнозированию их потенциальной эффективности. Это может помочь определить перспективных кандидатов для дальнейшего тестирования.

2. Виртуальный скрининг: компьютерное зрение может быть использовано для виртуального скрининга большого количества потенциальных ЛС, используя компьютерные модели, а не физические эксперименты. Это может помочь сэкономить время и ресурсы на ранних стадиях открытия ЛС.

3. Анализ изображений клеток и тканей: компьютерное зрение может быть использовано для анализа изображений клеток и тканей, таких как микроскопические изображения, для выявления потенциальных ЛС, которые могут оказывать влияние на конкретные клетки или ткани.

4. Прогностическое моделирование: компьютерное зрение может быть использовано для построения прогностических моделей, которые могут прогнозировать потенциальную безопасность, эффективность и качество ЛС на основе анализа больших объемов данных.

Примеры применения компьютерного зрения:

• Roche: внедрила систему компьютерного зрения для проверки таблеток на наличие дефектов;
• Pfizer: использовала компьютерное зрение для анализа медицинских изображений, таких как компьютерная томография, для отслеживания прогресса лечения конкретного заболевания;
• AstraZeneca: использовала компьютерное зрение для анализа молекулярных структур потенциальных ЛС и прогнозирования их потенциальной эффективности.

Другие потенциальные направления, к которым относятся:

1. Робототехника: компьютерное зрение может использоваться для того, чтобы роботы могли выполнять такие задачи, как сортировка и упаковка фармацевтических продуктов, или помогать в обращении с опасными материалами.

2. Маркировка и упаковка: компьютерное зрение может быть использовано для проверки точности и актуальности этикеток и упаковки, помогая гарантировать, что правильные продукты доставляются нужным клиентам.

3. Безопасность и соответствие: компьютерное зрение может использоваться для мониторинга производственного процесса и обеспечения его соответствия нормативным стандартам и требованиям.

4. Профилактическое обслуживание: компьютерное зрение может использоваться для мониторинга состояния оборудования и прогнозирования того, когда потребуется техническое обслуживание, помогая предотвратить простои и повысить эффективность производственного процесса.

Решения компьютерного зрения, используемые в фармацевтической отрасли, регулируются различными агентствами и организациями в зависимости от конкретного применения и географического положения.

К факторам, которые могут повлиять на использование компьютерного зрения относятся:

1. Доступность и качество данных: эффективность алгоритмов компьютерного зрения часто зависит от доступности и качества данных, используемых для их обучения. В фармацевтической отрасли данные могут быть ограничены из-за необходимости защиты конфиденциальности пациентов и патентованного характера некоторых данных. Обеспечение доступности и качества данных может быть проблемой для компаний, использующих компьютерное зрение в фармацевтической промышленности.

2. Опыт и обучение: внедрение и использование решений компьютерного зрения в фармацевтической отрасли может потребовать специализированных знаний и обучения. Компаниям, возможно, придется инвестировать в развитие собственной экспертизы или искать внешних партнеров, чтобы помочь с внедрением и использованием этих технологий.

3. Интеграция с существующими системами и процессами: решения компьютерного зрения, возможно, потребуется интегрировать с существующими системами и процессами в фармацевтической отрасли, такими как системы контроля качества или системы управления цепочками поставок. Обеспечение плавной интеграции этих технологий может быть сложной задачей.

4. Соответствие нормативным требованиям: использование компьютерного зрения в фармацевтической отрасли подчиняется различным нормативным требованиям. Компании, использующие эти технологии, должны убедиться, что они соответствуют этим требованиям, чтобы избежать потенциальных штрафов или других санкций.

5. Стоимость: внедрение и использование решений компьютерного зрения в фармацевтической отрасли может повлечь за собой значительные первоначальные и текущие затраты, такие как разработка и обучение алгоритмов, покупка или аренда аппаратного и программного обеспечения, а также обслуживание и обновление систем. Компании, использующие эти технологии, должны тщательно учитывать затраты и потенциальные выгоды, чтобы гарантировать, что инвестиции оправданы.

6. Этические и юридические соображения: использование компьютерного зрения в фармацевтической отрасли поднимает ряд этических и правовых соображений, таких как защита конфиденциальности пациентов и возможность предвзятости в алгоритмах. Компании, использующие эти технологии, должны быть осведомлены об этих проблемах и предпринимать соответствующие шаги для их решения.

7. Конкуренция: использование компьютерного зрения в фармацевтической отрасли, вероятно, увеличится в ближайшие годы, и компании, которые медленно внедряют эти технологии, могут столкнуться с усилением конкуренции со стороны тех, кто более активен. Компаниям необходимо тщательно учитывать свою конкурентную позицию и потенциальное влияние компьютерного зрения на их бизнес.

8. Развитие и использование компьютерного зрения в фармацевтической отрасли может потребовать специализированного набора навыков, и компаниям, возможно, придется инвестировать в набор и удержание талантливых сотрудников с необходимым опытом.

На рынке существуют решения в области компьютерного зрения:

• Vicarious: предлагает решения для контроля качества и контроля упаковки;
• ViSenze: предлагает решения компьютерного зрения для анализа изображений, распознавания объектов и сегментации изображений;
• Hyperfine: предлагает решения для анализа медицинских изображений и автоматизированной диагностики;
• Sight Diagnostics: предлагает решения для анализа медицинских изображений и автоматизации диагностических процессов.

Коммуникационные цифровые технологии

Коммуникационные технологии играют решающую роль в фармацевтической промышленности, поскольку они позволяют фармацевтическим компаниям эффективно обмениваться информацией со своими сотрудниками, партнерами и клиентами. Примерами коммуникационных технологий, используемых в фармацевтической промышленности, являются:

1. Электронная почта: является широко используемым инструментом коммуникации в фармацевтической промышленности, поскольку она позволяет быстро обмениваться информацией между отдельными лицами и группами.

2. Видеоконференции: позволяют в режиме реального времени общаться и сотрудничать между людьми, находящимися в разных местах, что может быть особенно полезно для фармацевтических компаний с глобальным присутствием.

3. Инструменты для совместной работы: позволяют командам работать вместе в режиме реального времени, обмениваться документами, проводить обсуждения и принимать решения.

4. Социальные сети: платформы социальных сетей могут использоваться фармацевтическими компаниями для общения со своими сотрудниками, клиентами и партнерами.

5. Мобильные приложения: могут использоваться фармацевтическими компаниями для предоставления информации своим клиентам, такой как напоминания о ЛС или информация о побочных эффектах. Использование коммуникационных технологий в фармацевтической промышленности способствует облегчению обмена информацией и повышению эффективности и производительности.

Чтобы обеспечить использование технологий IoT в фармацевтической промышленности, необходимы различные коммуникационные технологии для облегчения обмена данными между устройствами и системами. Отдельные примеры коммуникационных технологий, которые могут быть использованы для обеспечения IoT в фармацевтической промышленности, приведены в табл. 24.

Таблица 24. Коммуникационные технологии, используемые в фармацевтической промышленности

Название	Краткая характеристика
Сетевая инфраструктура	Проводные или беспроводные сети, различные типы сетевого оборудования, такие как маршрутизаторы, коммутаторы и концентраторы. Необходима для поддержки связи и обмена данными между устройствами и системами
Облачные вычисления	Платформы облачных вычислений могут использоваться для хранения и обработки больших объемов данных, генерируемых устройствами IoT, а также для предоставления необходимых вычислительных ресурсов для поддержки приложений IoT
Системы управления данными	Базы данных или хранилища данных используются для хранения и организации данных, генерируемых устройствами IoT, что упрощает доступ и анализ
Протоколы связи	Используются для стандартизации способа, которым устройства и системы взаимодействуют друг с другом, гарантируя, что данные могут передаваться и приниматься последовательно. Примеры протоколов связи, используемых в IoT, включают TCP/IP, HTTP и MQTT

Использование этих и других коммуникационных технологий имеет важное значение для обеспечения использования IoT в фармацевтической промышленности, поскольку они обеспечивают необходимую инфраструктуру и возможности для поддержки связи и обмена данными между устройствами и системами.

Беспроводные сети — это тип коммуникационных технологий, которые могут использоваться в фармацевтической промышленности для использования технологий IoT.

Беспроводные сети могут использоваться для поддержки связи и обмена данными между различными типами устройств IoT, такими как датчики, исполнительные механизмы и другие типы интеллектуальных устройств. Эти сети могут использовать различные типы беспроводных технологий, таких как Wi-Fi, Bluetooth или сотовые сети, в зависимости от конкретных требований приложения.

Беспроводные сети имеют несколько преимуществ в контексте фармацевтической промышленности и IoT. Они могут обеспечить гибкость и мобильность, так как устройства можно легко перемещать без необходимости перенастройки сети. Беспроводные сети также могут быть более экономически выгодными, чем проводные сети, поскольку они не требуют установки физической инфраструктуры.

Однако беспроводные сети также имеют некоторые ограничения и проблемы, которые необходимо учитывать. Они могут подвергаться помехам или ухудшению сигнала, что может повлиять на надежность и производительность сети. Безопасность также вызывает беспокойство, поскольку беспроводные сети уязвимы для взлома и других видов кибератак.

Для решения этих проблем важно тщательно спроектировать и внедрить беспроводную сеть и принять соответствующие меры безопасности.

5G — это пятое поколение технологии сотовых сетей, которая предлагает значительно более высокие скорости и меньшую задержку, чем предыдущие поколения сотовых сетей (см. рис. 34).

Ожидается, что 5G будет играть значительную роль в разработке и развертывании технологий IoT, поскольку он позволяет передавать большие объемы данных на высоких скоростях, что необходимо для поддержки высоких требований к пропускной способности многих приложений IoT.

В фармацевтической промышленности 5G может использоваться для поддержки широкого спектра приложений IoT, таких как мониторинг в режиме реального времени участников клинических исследований, удаленный мониторинг пациентов и управление цепочками поставок. 5G также может позволить использовать новые технологии, такие как виртуальная и дополненная реальность, которые могут быть использованы для обучения и образования в фармацевтической промышленности.

Ожидается, что 5G окажет значительное влияние на фармацевтическую отрасль, поскольку он позволяет использовать передовые технологии и приложения, которые ранее были невозможны.

Потенциальные способы, которыми 5G может повлиять на фармацевтическую отрасль, включают:

1. Повышение эффективности и производительности: 5G может позволить использовать передовые технологии, такие как автоматизация и робототехника, которые могут повысить эффективность и производительность в фармацевтической промышленности. Например, 5G может позволить использовать автономные транспортные средства для транспортировки фармацевтических продуктов или использовать интеллектуальные производственные системы для повышения эффективности производства ЛС.

2. Улучшенный уход за пациентами: 5G может позволить использовать передовые технологии телемедицины и удаленного мониторинга пациентов, что может улучшить уход за пациентами и уменьшить потребность в личных посещениях медицинских учреждений. 5G также может позволить использовать технологии виртуальной и дополненной реальности для обучения и образования, что способствует повышению навыков и знаний медицинских работников.

3. Улучшенное управление цепочками поставок: 5G может позволить использовать передовые технологии для повышения прозрачности и эффективности фармацевтической цепочки поставок. Например, 5G может обеспечить отслеживание фармацевтических продуктов в режиме реального времени по всей цепочке поставок, что может помочь снизить риск подделки и обеспечить получение пациентами аутентичных, высококачественных ЛС.

Примеры того, как 5G может быть использован в фармацевтической промышленности, приведены в табл. 25.

Таблица 25. Использование 5G в фармацевтической промышленности

Направление	Область использования	Преимущества использования
Мониторинг участников клинических исследований в режиме реального времени	5G может позволить использовать носимые устройства, которые собирают данные о здоровье участников клинических исследований в режиме реального времени, что позволяет осуществлять непрерывный мониторинг эффективности препарата	Повышение эффективности и точности клинических исследований в режиме реального времени, выявление любых потенциальных побочных эффектов препарата
Удаленный мониторинг пациентов	5G может позволить использовать носимые устройства или устройства умного дома, которые собирают данные о здоровье пациентов в режиме реального времени, что позволяет осуществлять непрерывный мониторинг их состояния	Улучшение ухода за пациентами, выявление на более раннем этапе проблем со здоровьем, уменьшение необходимости в личных посещениях медицинских учреждений
Умное производство	5G может позволить использовать передовые производственные технологии, такие как робототехника и автоматизация, которые могут повысить эффективность производства ЛС	Использование интеллектуальных производственных систем, которые отслеживают и контролируют производственный процесс в режиме реального времени, гарантируя, что ЛС производятся последовательно и в соответствии с высокими стандартами качества
Отслеживание цепочки поставок	5G может позволить использовать технологии IoT и блокчейн для отслеживания движения фармацевтических продуктов по всей цепочке поставок, от производства до распределения и точки продажи	Может повысить прозрачность и эффективность цепочки поставок, а также помочь снизить риск контрафакции

Это всего лишь несколько примеров того, как 5G может быть использован в фармацевтической промышленности для повышения эффективности, производительности, ухода за пациентами и управления цепочками поставок. Вероятно, будет много других потенциальных применений 5G и в фармацевтической промышленности.

Существуют различные правила, которые относятся к использованию коммуникационных технологий в фармацевтической промышленности, в зависимости от используемых технологий и приложений:

1. Правила конфиденциальности и безопасности данных: использование коммуникационных технологий в фармацевтической промышленности часто включает в себя сбор и обработку конфиденциальных данных, таких как личная медицинская информация.

2. Правила проведения клинических исследований: использование коммуникационных технологий в клинических исследованиях может подпадать под действие различных нормативных требований, таких как требования, связанные с защитой людей, сбором и обработкой данных.

3. Правила использования медицинских устройств: использование коммуникационных технологий в медицинских устройствах, таких как носимые устройства, используемые для удаленного мониторинга пациентов, может подпадать под действие различных нормативных требований, связанных с безопасностью и эффективностью устройств.

Существует множество примеров того, как внедрение коммуникационных технологий помогло фармацевтическим компаниям улучшить свою деятельность и достичь поставленных целей. Вот один из примеров того, как коммуникационные технологии использовались в интересах фармацевтической компании.

Фармацевтическая компания внедрила систему отслеживания цепочек поставок на основе IoT для повышения прозрачности и эффективности своей цепочки поставок. Система использовала датчики и другие устройства IoT для отслеживания движения фармацевтической продукции по всей цепочке поставок, от производства до дистрибуции и точки продажи. Данные, собранные системой, передавались на облачную платформу, где их анализировали и использовали для оптимизации цепочки поставок.

В результате внедрения данной системы фармацевтическая компания смогла значительно повысить прозрачность и эффективность своей цепочки поставок, снизив риск подделки и обеспечив получение пациентами качественных и безопасных ЛП. Компания также смогла улучшить свои отношения со своими клиентами и партнерами, поскольку повышенная прозрачность позволила им лучше понять движение продуктов по всей цепочке поставок.

В целом этот пример иллюстрирует, как внедрение коммуникационных технологий, таких как IoT и облачные вычисления, может помочь фармацевтическим компаниям улучшить свою деятельность и достичь своих целей.

Существует несколько рисков, связанных с использованием коммуникационных технологий в фармацевтической промышленности:

1. Риски кибербезопасности: использование коммуникационных технологий в фармацевтической промышленности часто включает в себя сбор и обработку конфиденциальных данных, таких как личная медицинская информация, что делает ее мишенью для кибератак. Важно реализовать соответствующие меры безопасности для защиты от кибератак, такие как шифрование, аутентификация и контроль доступа.

2. Риски конфиденциальности данных: сбор и обработка конфиденциальных данных, таких как личная медицинская информация, также могут представлять риски для конфиденциальности данных. Важно принять соответствующие меры для защиты конфиденциальности этих данных, такие как соблюдение соответствующих правил и внедрение соответствующих методов управления данными.

3. Риски функциональной совместимости: использование нескольких коммуникационных технологий и систем в фармацевтической промышленности может представлять риски, связанные с функциональной совместимостью, поскольку различные технологии могут быть несовместимы друг с другом. Важно тщательно учитывать вопросы функциональной совместимости при внедрении новых технологий и обеспечивать, чтобы они могли эффективно работать с существующими системами.

4. Технические риски: использование коммуникационных технологий в фармацевтической промышленности также может быть подвержено техническим рискам, таким как отказ оборудования или потеря данных. Важно принять соответствующие меры для снижения этих рисков, такие как внедрение надежных систем резервного копирования и восстановления.

Важно тщательно учитывать и управлять рисками, связанными с использованием коммуникационных технологий в фармацевтической промышленности, чтобы обеспечить бесперебойное и успешное внедрение и эксплуатацию этих технологий.

Виртуальная и дополненная реальность

Виртуальная реальность (англ. virtual reality; VR) и дополненная реальность (англ. augmented reality; AR) все чаще используются в фармацевтической промышленности для различных приложений. Одним из распространенных применений VR в фармацевтической промышленности является обучение. VR можно использовать для создания иммерсивных симуляций различных сценариев, таких как обучение использованию нового оборудования или отработка навыков общения с пациентами. Обучение VR может быть более экономичным и эффективным, чем традиционное личное обучение, поскольку оно позволяет повторять задачи и сценарии без необходимости в физических ресурсах.

AR может использоваться для предоставления информации и рекомендаций в режиме реального времени фармацевтическим работникам во время производственного процесса. Например, AR можно использовать для отображения инструкций или предупреждений в поле зрения работника, позволяя ему сосредоточиться на поставленной задаче, сохраняя при этом доступ к необходимой информации. Как VR, так и AR также могут использоваться для демонстрации продуктов и маркетинговых целей.

В дополнение к приложениям, упомянутым выше, VR и AR также могут использоваться в фармацевтической промышленности для целей исследований и разработок. Например, VR может быть использован для создания виртуальных моделей молекул и кандидатов в ЛС, что позволяет исследователям тестировать и анализировать их свойства и потенциальные взаимодействия с другими молекулами. Это помогает определить потенциальных кандидатов на ЛС и оптимизировать их разработку.

AR можно использовать для отображения и анализа данных в режиме реального времени, что позволяет исследователям легко визуализировать и интерпретировать сложную информацию, облегчая открытие и разработку новых ЛС и методов лечения.

VR и AR также могут быть использованы для разработки ЛС путем создания виртуальных моделей заболеваний и их прогрессирования, что помогает исследователям лучше понять механизмы, лежащие в основе заболеваний, и определить потенциальные цели для терапевтического вмешательства.

Использование VR и AR в фармацевтической промышленности позволяет оптимизировать процессы исследований, облегчить разработку ЛС и улучшить понимание заболеваний и способов их лечения.

Еще одно потенциальное применение VR и AR в фармацевтической промышленности находится в области ухода за пациентами и лечения.

Например, VR может быть использован для создания иммерсивного, терапевтического опыта для пациентов с психическими заболеваниями, такими как тревога, депрессия и посттравматическое стрессовое расстройство (ПТСР). VR-терапия может обеспечить безопасную и контролируемую среду, в которой пациенты могут противостоять и работать над своими страхами и проблемами.

AR может использоваться для предоставления пациентам рекомендаций и информации в режиме реального времени во время лечения и реабилитации. Например, AR может использоваться для отображения инструкций и упражнений для физиотерапии или для предоставления информации о ЛС и их правильном использовании.

VR и AR также могут использоваться для удаленных консультаций и телемедицины, позволяя пациентам получать уход и рекомендации от медицинских работников на расстоянии.

Это может быть особенно полезно в ситуациях, когда пациент физически не может добраться до медицинского учреждения, или в случаях, когда личные визиты не рекомендуются из-за риска передачи инфекционных заболеваний. Использование VR и AR в уходе за пациентами и их лечении улучшит доступ к медицинской помощи, обеспечит более персонализированное и эффективное лечение.

Поскольку технологии VR и AR продолжают развиваться, вполне вероятно, что в будущем будет еще больше областей применений этих технологий в фармацевтической промышленности.

Например, VR и AR могут быть использованы для создания виртуального или дополненного моделирования клинических исследований, что позволит исследователям проверить безопасность и эффективность новых ЛС и методов лечения в контролируемой среде.

Это может помочь снизить стоимость и риск проведения клинических исследований и повысит эффективность процесса разработки препарата.

VR и AR также могут быть использованы для создания виртуального или дополненного моделирования операций и других медицинских процедур, что позволяет медицинским работникам практиковать и оттачивать свои навыки в безопасной и контролируемой среде. Это повысит безопасность и результаты хирургических процедур и снизит риск осложнений.

Примеры технологий VR и AR в фармацевтической промышленности для улучшения обучения, повышения эффективности и улучшения маркетинга и демонстрации продуктов:

• в 2018 году Novartis и Google объединились для разработки программы обучения VR для лечения макулярной дегенерации, ведущей причины слепоты. Программа VR использовала иммерсивное моделирование, позволяющее медицинским работникам практиковать и оттачивать свои профессиональные навыки в безопасной и контролируемой среде;
• в 2020 году фармацевтические компании Pfizer и Johnson & Johnson использовали AR для создания интерактивной программы обучения своих сотрудников в режиме реального времени. Программа AR предоставляла сотрудникам руководство и информацию в режиме реального времени по мере выполнения задач, позволяя им сосредоточиться на поставленной задаче, сохраняя при этом доступ к необходимой информации;
• в 2021 году фармацевтическая компания AstraZeneca использовала VR для создания виртуальных симуляций клинических исследований, что позволило исследователям проверить безопасность, эффективность и качество новых ЛС и методов лечения в контролируемой среде. VR-моделирование помогло снизить стоимость и риск проведения клинических исследований и повысить эффективность процесса разработки препарата.

Одним из важных требований при использовании VR и AR в фармацевтической промышленности является необходимость обеспечения точности и достоверности представляемой информации. В случае VR и AR, используемых для обучения, важно, чтобы представленная информация и сценарии были точными и актуальными, поскольку любые ошибки или дезинформация могут привести к серьезным последствиям при применении в реальных условиях.

В случае VR и AR, используемых для исследований и разработок, важно обеспечить, чтобы используемые виртуальные модели и симуляции были точными и основывались на надежных научных принципах. Ошибки или предубеждения в этих симуляциях могут привести к ошибочным или вводящим в заблуждение результатам.

При использовании VR и AR для ухода за пациентами и лечения важно убедиться, что представленная информация является точной и основана на наилучших имеющихся доказательствах. Любые ошибки или дезинформация могут иметь серьезные последствия для здоровья и благополучия пациентов.

Чтобы обеспечить точность и надежность информации, представленной через VR и AR, важно тщательно разрабатывать и проверять представленный контент, а также регулярно его обновлять и поддерживать, чтобы гарантировать, что он остается точным и актуальным. Также важно рассмотреть потенциальные этические последствия использования VR и AR в фармацевтической промышленности.

Например, VR и AR, используемые для обучения или исследований и разработок, могут включать использование смоделированных сценариев или виртуальных моделей, которые изображают реальные события или ситуации. Важно учитывать потенциальное влияние этих симуляций на общественное восприятие фармацевтической промышленности и на общественное доверие к отрасли.

В случае VR и AR, используемых для ухода и лечения пациентов, важно учитывать потенциальное влияние на пациента и требовать информированное согласие. Важно обеспечить, чтобы пациенты были полностью информированы об использовании VR и AR в их уходе и лечении и чтобы им была предоставлена возможность отказаться, если они того пожелают.

Также важно учитывать потенциальное влияние VR и AR на конфиденциальность пациентов и участников исследования. Необходимо, чтобы личная информация не собиралась и не передавалась без соответствующего согласия.

Одной из потенциальных проблем является необходимость обеспечения совместимости и взаимодействия систем VR и AR с существующими системами и инфраструктурой. Например, системы VR и AR, используемые для обучения или исследований и разработок, могут быть совместимы с другим программным и аппаратным обеспечением, используемым организацией, таким как базы данных или системы автоматизированного проектирования (CAD).

Другой потенциальной проблемой является необходимость обеспечения безопасности и целостности систем VR и AR, а также данных, которые они собирают и хранят. Важно принять соответствующие меры для защиты от киберугроз и утечек данных, а также для обеспечения того, чтобы системы VR и AR не были уязвимы для подделки или манипуляций.

Потенциальные применения VR и AR в фармацевтической промышленности обширны и разнообразны, и по мере того, как технологии продолжают развиваться, вполне вероятно, что в будущем мы увидим еще более инновационное и эффективное использование этих технологий. Существует множество готовых к выходу на рынок решений VR и AR, доступных для использования в фармацевтической промышленности.

Некоторые примеры приведены в табл. 26.

Название	Краткая характеристика
Immersive	Обучающая платформа VR, которая позволяет организациям создавать захватывающий, интерактивный опыт обучения для своих сотрудников. Платформа может быть использована для обучения сотрудников различным темам, в том числе тому, как использовать новое оборудование, как общаться с пациентами и как реагировать на чрезвычайные ситуации
Firsthand Technology	Поставщик решений VR-терапии для психических заболеваний, таких как тревога, депрессия и ПТСР. Платформа VR-терапии компании позволяет пациентам противостоять и работать со своими страхами и проблемами в безопасной и контролируемой среде
Medical Realities	Поставщик решений VR и AR для медицинского обучения и образования. Платформа VR и AR компании позволяет медицинским работникам практиковать и оттачивать свои навыки в различных медицинских процедурах и сценариях
VeeR VR	Платформа контента VR и AR, которая позволяет организациям создавать и делиться захватывающими, интерактивными впечатлениями. Платформа может использоваться для создания демонстраций продуктов, маркетингового опыта и другого интерактивного контента для различных отраслей, включая фармацевтическую отрасль

В настоящее время также разрабатываются более комплексные решения со своими уникальными функциями и возможностями. Например, Виртуальный фармацевтический завод для вузов (https://www.gxp-academy.org/vr-factory/) — уникальный проект Евразийской академии надлежащих практик на основе технологий виртуальной реальности, созданный для развития навыков проверки производства ЛС на соответствие стандартам GMP.

Аппаратная часть системы представляет собой комплект, состоящий из персонального компьютера (ноутбука) с установленным программным обеспечением, очков виртуальной реальности (доступно несколько моделей) и контроллеров для управления. Комплекс компактен и при необходимости легко транспортируется.

При использовании тренажера изображение из очков VR может транслироваться на внешний монитор или проектор, что позволяет куратору или большой аудитории зрителей наблюдать за происходящим. В случае работы в специальном режиме наблюдателя куратор использует второй комплект оборудования и может свободно перемещаться в одном виртуальном месте с обучаемым и визуально контролировать прохождение сценария.

Преимущества систем Виртуальный фармацевтический завод для вузов:

1. точное отражение реальных помещений, процессов и оборудования;

2. возможность виртуального присутствия наблюдателя для оценки действий студента;

3. случайная генерация несоответствий во избежание простого запоминания скрипта;

4. пошаговое обследование в полном соответствии с программой;

5. автоматическая генерация отчета по результатам тренинга.

Поскольку технологии VR и AR продолжают развиваться, в будущем возможно их более инновационное и эффективное использование в фармацевтической промышленности.

Кибербезопасность и конфиденциальность

Риски кибербезопасности и конфиденциальности в фармацевтической промышленности включают:

1. кражу интеллектуальной собственности: злоумышленники могут попытаться украсть коммерческую тайну или другую ценную интеллектуальную собственность (ИС) у фармацевтических компаний, в том числе конфиденциальную информацию о новых ЛС или разрабатываемых медицинских устройствах, производственных процессах и др.;

2. атаки на цепочку поставок: фармацевтические цепочки поставок сложны и включают в себя множество различных субъектов;

3. утечку данных пациентов: фармацевтические компании часто имеют доступ к конфиденциальной информации о пациентах, включая медицинские записи, информацию о страховании и данные о рецептах.

Для устранения этих и других рисков кибербезопасности и конфиденциальности фармацевтические компании должны внедрить надежные меры безопасности и протоколы, такие как использование надежных паролей и систем аутентификации, регулярное обновление программного обеспечения и систем, а также обучение сотрудников передовым методам кибербезопасности.

Фармацевтические компании должны принимать стандартные меры для повышения кибербезопасности и защиты конфиденциальности, которые включают:

1. Шифрование данных затрудняет неавторизованным сторонам доступ к ним и их чтение.

2. Внедрение контроля доступа позволяет гарантировать, что только уполномоченные лица имеют доступ к конфиденциальным данным и системам.

3. Регулярное тестирование и мониторинг систем могут помочь выявить уязвимости и потенциальные угрозы, позволяя компаниям принимать меры для их смягчения до того, как они могут быть использованы.

4. Разработка плана реагирования на утечку данных или другой киберинцидент помогает свести к минимуму влияние инцидента и предотвратить дальнейший ущерб.

В дополнение к мерам, упомянутым выше, есть несколько других способов, которыми фармацевтические компании могут повысить свою кибербезопасность и защитить конфиденциальность пациентов:

1. Проведение регулярного обучения сотрудников: кибербезопасность — это командная работа, и важно, чтобы все сотрудники понимали свою роль в защите систем и данных компании.

2. Использование защищенных каналов связи: для фармацевтических компаний важно использовать безопасные каналы связи при передаче конфиденциальной информации, такой как записи пациентов или интеллектуальная собственность. Это может включать использование зашифрованной электронной почты или систем обмена сообщениями или использование безопасных протоколов передачи файлов.

3. Обеспечение соответствия требованиям сторонних поставщиков: многие фармацевтические компании работают со сторонними поставщиками. Это может включать требование соответствия поставщиков общепринятым стандартам, таким, например, как стандарт ГОСТ Р ИСО/МЭК «Методы и средства обеспечения безопасности. Системы менеджмента информационной безопасности. Требования».

4. Проведение регулярных оценок рисков: может помочь фармацевтическим компаниям выявить потенциальные уязвимости и угрозы для своих систем и данных и принять меры для их смягчения.

5. Реализация сегментации сети: включает в себя разделение сети компании на более мелкие, более безопасные секции, что может помочь ограничить ущерб, вызванный кибератакой или нарушением данных.

6. Использование инструментов и технологий безопасности: к ним относятся брандмауэры (файрволы), антивирусное программное обеспечение (см. рис. 36), системы обнаружения вторжений и другое. Важно регулярно обновлять и поддерживать эти инструменты, чтобы обеспечить их эффективность в защите от потенциальных угроз.

7. Сотрудничество с другими организациями, такими как отраслевые ассоциации или правительственные учреждения, может помочь фармацевтическим компаниям оставаться в курсе последних угроз кибербезопасности.

Принцип работы антивирусного программного обеспечения

Рис. 36

Важно, чтобы фармацевтические компании проявляли инициативу в устранении рисков кибербезопасности и конфиденциальности, поскольку эти риски могут иметь серьезные последствия для компании, ее клиентов и более широкой системы здравоохранения. Внедряя надежные меры безопасности и протоколы, а также оставаясь в курсе последних угроз и лучших практик, компании могут помочь гарантировать, что они хорошо подготовлены к решению этих проблем и могут продолжать предоставлять безопасные и эффективные продукты пациентам.

В дополнение к этим текущим усилиям существует ряд областей, на которых фармацевтические компании должны сосредоточиться с точки зрения информационной безопасности в ближайшие годы:

1. Искусственный интеллект и машинное обучение также представляют новые риски кибербезопасности. Компании должны тщательно рассмотреть последствия для безопасности внедрения этих технологий и предпринимать должные меры для обеспечения их безопасного и надежного использования.

2. Устройства интернета вещей (IoT): распространение устройств IoT в отрасли здравоохранения, включая подключенные медицинские устройства и носимые технологии, имеет потенциал для улучшения ухода за пациентами и повышения эффективности. Однако эти устройства также представляют новые риски безопасности, поскольку они могут быть уязвимы для взлома и других типов кибератак. Компании должны тщательно рассмотреть последствия для безопасности внедрения устройств IoT и предпринять шаги для их защиты.

3. Удаленная работа: фармацевтические компании должны обеспечить, чтобы их политики и протоколы удаленной работы включали надежные меры безопасности для защиты от киберугроз.

Роботизированная автоматизация процессов

2. Обработка заказов: RPA может использоваться для автоматизации процесса обработки заказов на фармацевтическую продукцию, включая проверку информации о клиентах и создание счетов-фактур.

3. Управление цепочками поставок: RPA может использоваться для автоматизации процесса управления цепочкой поставок фармацевтической продукции, включая отслеживание уровней запасов, прогнозирование спроса и управление потоком товаров.

4. Соответствие: RPA может использоваться для автоматизации процесса соблюдения нормативных требований, таких как отслеживание сроков годности ЛС и обеспечение наличия соответствующей документации.

Использование RPA в фармацевтической промышленности может помочь снизить затраты, повысить эффективность и обеспечить соблюдение нормативных требований.

Преимущества использования RPA в фармацевтической промышленности:

1. Повышение эффективности: RPA может автоматизировать повторяющиеся задачи, освобождая людей, чтобы сосредоточиться на задачах более высокого уровня, которые требуют больше когнитивных усилий. Это может привести к повышению производительности и экономии средств.

2. Уменьшение количества ошибок: RPA может снизить риск ошибок при вводе данных и других задачах, следуя установленным правилам и процедурам. Это может повысить точность и достоверность данных, что особенно важно в фармацевтической промышленности, где последствия ошибок могут быть серьезными.

3. Улучшенное соответствие: RPA может помочь гарантировать, что организация соблюдает нормативные требования, автоматизируя процесс отслеживания и проверки соответствия. Это может снизить риск несоблюдения требований и потенциальных штрафов.

4. Повышение удовлетворенности клиентов: RPA может повысить скорость и точность процессов, связанных с обслуживанием клиентов, таких как обработка и доставка заказов, что приводит к повышению удовлетворенности клиентов.

Важно отметить, что RPA не является заменой работников, а, скорее, инструментом, который может помочь с определенными задачами и освободить время для более сложной работы.

Существуют также некоторые потенциальные проблемы для внедрения RPA в фармацевтической промышленности:

1. Стоимость: внедрение RPA может включать в себя первоначальные затраты, такие как покупка программного обеспечения и обучение сотрудников его использованию, что может быть значительным капиталовложением, особенно для небольших организаций.

2. Управление изменениями: RPA может включать значительные изменения в способе выполнения работы, и сотрудники могут быть устойчивы к этим изменениям. Важно вовлечь сотрудников в процесс и обеспечить адекватную подготовку для обеспечения плавного перехода.

3. Интеграция с существующими системами: RPA-системы, возможно, потребуется интегрировать с существующими системами, такими как системы планирования ресурсов предприятия (англ. enterprise resource planning; ERP) или системы управления взаимоотношениями с клиентами (англ. customer relationship management; CRM), что является сложным и трудоемким процессом.

4. Конфиденциальность и безопасность данных: RPA включает в себя обработку конфиденциальных данных, таких как личная информация и финансовые данные. Важно обеспечить принятие соответствующих мер для защиты этих данных и предотвращения несанкционированного доступа.

Необходимо тщательно рассмотреть потенциальные преимущества и проблемы внедрения RPA в фармацевтической промышленности и иметь хорошо спланированную и реализованную стратегию для обеспечения успешной реализации.

3. Выбор правильного поставщика: важно тщательно исследовать и выбрать поставщика, который имеет опыт работы с фармацевтической отраслью и понимает конкретные проблемы и требования этой отрасли.

4. Тестирование и проверка: важно тщательно протестировать и проверить решение RPA перед его реализацией в больших масштабах. Это поможет гарантировать, что решение является надежным и отвечает потребностям организации.

5. Мониторинг и обслуживание: системы RPA требуют постоянного мониторинга и обслуживания, чтобы убедиться, что они работают правильно, а также для выявления и устранения любых возникающих проблем. Также необходимо иметь план текущего обслуживания системы.

Учитывая эти факторы и внедряя RPA продуманным и стратегическим образом, организации фармацевтической промышленности могут эффективно использовать эту технологию для повышения эффективности, снижения затрат и повышения соответствия.

Существует ряд принципов, которым организации могут следовать при внедрении RPA в фармацевтической промышленности:

1. Начните с малого: часто лучше всего начать с небольшого пилотного проекта, чтобы проверить жизнеспособность RPA в конкретном процессе. Это позволяет организациям получать опыт и учиться на любых проблемах, которые могут возникнуть, прежде чем расширять внедрение на другие процессы.

2. Вовлечение сотрудников: важно вовлечь сотрудников в процесс внедрения RPA, что может снизить сопротивление изменениям с их стороны.

3. Обеспечение целостности данных: RPA полагается на точные данные для правильной работы. Важно обеспечить чистоту и актуальность данных перед внедрением RPA, чтобы избежать ошибок и повысить точность системы.

4. Установление четких целей и показателей: важно установить четкие цели и показатели для измерения успеха реализации RPA. Это позволит организациям отслеживать прогресс и вносить любые необходимые коррективы.

5. Мониторинг и поддержание: постоянный мониторинг и техническое обслуживание имеют решающее значение для успеха реализации RPA. Важно иметь план для обеспечения правильного функционирования системы, а также для выявления и устранения любых проблем, которые могут возникнуть.

Следуя этим принципам, организации фармацевтической промышленности могут эффективно внедрять RPA и реализовывать преимущества этой технологии.

В области использования RPA в фармацевтической промышленности существует несколько потенциальных разработок:

1. Повышенная интеграция с искусственным интеллектом (ИИ): RPA-системы могут стать более интегрированными с ИИ в будущем, что позволит им выполнять более сложные задачи и принимать решения самостоятельно. Это может еще больше повысить эффективность и точность в фармацевтической промышленности.

2. Более широкое использование чат-ботов: чат-боты, которые являются автоматизированными программами, которые могут общаться с клиентами и сотрудниками через интерфейсы чата, могут стать более распространенными в фармацевтической промышленности. Они могут использоваться для ответа на запросы клиентов и предоставления информации.

3. Расширение на новые процессы: по мере того, как технология RPA совершенствуется и становится все более широко распространенной, она может быть использована для автоматизации более широкого спектра процессов в фармацевтической промышленности. Например, решение задач, связанных с разработкой ЛС, клиническими исследованиями и нормативными документами.

4. Повышенная безопасность: поскольку RPA-системы обрабатывают конфиденциальные данные, важно обеспечить их безопасность. В будущем системы RPA могут включать усиленные меры безопасности для защиты от несанкционированного доступа и утечек данных.

Будущее RPA в фармацевтической промышленности, вероятно, будет заключаться в повышенной интеграции с ИИ, расширении чат-ботов и автоматизации более широкого спектра процессов, а также включать в себя усиленные меры безопасности для защиты конфиденциальных данных.

На рынке доступно множество различных RPA-решений, в том числе:

• «Автоматизация в любом месте»: это облачная RPA-платформа, которая позволяет организациям автоматизировать широкий спектр бизнес-процессов;
• UiPath: это облачная RPA-платформа, которая предлагает ряд инструментов и функций для автоматизации повторяющихся задач;
• WorkFusion: это облачная RPA-платформа, которая предлагает ряд инструментов для автоматизации бизнес-процессов, включая ввод данных, обработку заказов и управление цепочками поставок;
• Softomotive: это RPA-платформа, которая предлагает ряд инструментов для автоматизации бизнес-процессов, включая ввод данных, обработку заказов и обслуживание клиентов.

Использование RPA в фармацевтической промышленности может помочь повысить эффективность, снизить затраты и повысить соответствие нормативным требованиям. Тем не менее для организаций важно тщательно рассмотреть свои конкретные потребности и выбрать правильное решение, чтобы обеспечить успешную реализацию.

Примеры, связанные с использованием RPA в фармацевтической промышленности для оптимизации различных процессов:

• глобальная фармацевтическая компания внедрила RPA для автоматизации процесса отслеживания и проверки соответствия нормативным требованиям. Это привело к сокращению времени, необходимого для выполнения этих задач, на 30% и значительному сокращению ошибок;
• фармацевтический производитель внедрил RPA для автоматизации процесса ввода данных и управления клиническими исследованиями. Это привело к сокращению времени, необходимого для выполнения этих задач, на 50% и повышению точности данных;
• фармацевтический дистрибьютор внедрил RPA для автоматизации процесса обработки заказов, включая проверку информации о клиентах и создание счетов-фактур. Это привело к сокращению времени, необходимого для выполнения этих задач, на 40% и повышению удовлетворенности клиентов;
• фармацевтическая компания внедрила RPA для автоматизации процесса управления цепочкой поставок своей продукции, включая отслеживание уровней запасов и прогнозирование спроса. Это привело к сокращению времени, необходимого для выполнения этих задач, на 20% и повышению эффективности цепочки поставок.

Следует отметить, что использование RPA в фармацевтической промышленности, вероятно, будет продолжать расти в будущем, поскольку все больше организаций признают преимущества этой технологии. Как упоминалось ранее, RPA может использоваться для автоматизации широкого спектра процессов в фармацевтической промышленности, включая ввод данных, обработку заказов, управление цепочками поставок и соблюдение нормативных требований.

Для организаций важно тщательно рассмотреть свои конкретные потребности и выбрать правильное решение RPA для обеспечения успешной реализации. Важно также иметь хорошо спланированную и реализованную стратегию для обеспечения бесперебойного осуществления и того, чтобы организация могла в полной мере реализовать преимущества.

В целом использование RPA в фармацевтической промышленности может помочь повысить эффективность, снизить затраты и повысить соответствие, что делает его важным инструментом для организаций в этой отрасли.

Аддитивные технологии

3D-печать, также известная как аддитивное производство, может произвести переворот в фармацевтической промышленности, предоставляя гибкий и экономически эффективный способ производства широкого спектра продуктов, включая устройства доставки ЛС, персонализированные ЛС и органы тела.

Одним из основных преимуществ 3D-печати в фармацевтической промышленности является возможность настройки и персонализации продуктов для отдельных пациентов. Например, 3D-печать может быть использована для создания индивидуальных лекарственных форм, таких как таблетки и капсулы, которые адаптированы к конкретным потребностям конкретного пациента. Это может помочь улучшить соблюдение пациентами схем лечения и снизить риск побочных реакций.

3D-печать также может быть применима для создания сложных устройств доставки ЛС, таких как ингаляторы и пластыри, которые более удобны и эффективны для использования пациентами. Кроме того, 3D-печать может быть использована для изготовления различных частей тела, таких как кости и органы, что может кардинально изменить область регенеративной медицины.

Существует ряд проблем, которые необходимо решить, прежде чем 3D-печать станет широко распространенной в фармацевтической промышленности. К ним относятся вопросы регулирования, совместимость материалов и необходимость дальнейших исследований и разработок. Тем не менее потенциальные преимущества 3D-печати в фармацевтической промышленности значительны, и вполне вероятно, что все более широкое использование этой технологии начнется в ближайшие годы.

Ряд примеров того, как 3D-печать используется в фармацевтической промышленности:

1. Индивидуальные устройства доставки ЛС: 3D-печать позволяет создавать персонализированные устройства доставки ЛС, которые адаптированы к конкретным потребностям конкретного пациента. Например, ингалятор может быть разработан для доставки определенной дозы ЛС с определенной скоростью потока или пластырь может быть разработан для высвобождения ЛС с определенной скоростью в течение определенного периода времени.

2. Персонализированные ЛС: 3D-печать может использоваться для создания индивидуальных ЛС, которые адаптированы к конкретным потребностям конкретного пациента. Например, 3D-печатное ЛС может быть создано с определенной дозой конкретного ЛС или комбинацией ЛС, которая адаптирована к потребностям конкретного пациента.

3. Замена частей тела: 3D-печать может произвести переворот в области регенеративной медицины, позволяя создавать замещающие части тела, такие как кости и органы. Например, к 3D-печати можно прибегнуть при создании специально подобранных замещающих костей или органов, которые адаптированы к конкретным потребностям конкретного пациента.

4. Производство материалов для клинических исследований: 3D-печать может быть использована для создания небольших количеств материалов для использования в клинических исследованиях, что может помочь снизить затраты и повысить эффективность процесса клинических исследований.

3D-печать имеет потенциал для значительного повышения эффективности и результативности фармацевтической промышленности, позволяя создавать индивидуальные и персонализированные продукты, адаптированные к конкретным потребностям отдельных пациентов. Тем не менее необходимы дальнейшие исследования и разработки, чтобы полностью реализовать потенциал этой технологии в фармацевтической промышленности.

Примеры продуктов, которые были созданы с использованием 3D-печати в фармацевтической промышленности:

• Spritam от Aprecia Pharmaceuticals: это 3D-печатный препарат, который используется для лечения эпилепсии. Он создан с использованием запатентованного процесса 3D-печати под названием ZipDose Technology, который позволяет создавать индивидуальные дозировки ЛС, адаптированные к конкретным потребностям конкретного пациента;
• 3D-печатный ингалятор Hoffmann-La Roche — это 3D-печатный ингалятор, разработанный для использования в клинических исследованиях. Он предназначен для доставки определенной дозы ЛС с определенной скоростью потока, что может помочь улучшить соблюдение пациентами схем лечения;
• Bio-Rad Laboratories разработала процесс 3D-печати индивидуальных замещающих костей, адаптированных к конкретным потребностям конкретного пациента;
• FabRx — это компания, которая разработала процесс 3D-печати, который позволяет создавать индивидуальные ЛС, адаптированные к конкретным потребностям конкретного пациента. Их технология имеет потенциал для улучшения приверженности пациентов к схемам лечения и снижения риска побочных реакций, обеспечивая более удобный и эффективный способ доставки ЛС;
• 3D-печатный ингалятор InhaleRx — это 3D-печатный ингалятор, который был разработан для использования в клинических исследованиях. Он предназначен для доставки определенной дозы ЛС с определенной скоростью потока, что может помочь улучшить соблюдение пациентами схем лечения;
• Regenerative Solutions — это компания, которая работает над разработкой процесса 3D-печати, который позволяет создавать замещающие органы, такие как печень и почки. Эта технология может изменить область регенеративной медицины, обеспечивая более эффективный и экономичный способ производства запасных частей тела;
• 3D-печатные устройства доставки ЛС от научно-исследовательского института Hahn-Schickard, который разработал процесс 3D-печати, который позволяет создавать индивидуальные устройства доставки ЛС, такие как ингаляторы и пластыри. Эти устройства предназначены для того, чтобы быть более удобными и эффективными для пациентов в использовании, что может помочь улучшить соблюдение пациентами схем лечения;
• исследователи из Университета Мэриленда разработали процесс 3D-печати, который позволяет создавать индивидуальные костные каркасы, которые можно использовать для поддержки роста поврежденной костной ткани. Эта технология может произвести переворот в области регенеративной медицины, обеспечивая более эффективный и экономичный способ восстановления поврежденной костной ткани.

По мере развития данной технологии возможна разработка еще более инновационных и преобразующих продуктов.

К преимуществам 3D-печати относятся:

1. Настройка: 3D-печать позволяет создавать индивидуальные и персонализированные продукты, адаптированные к конкретным потребностям отдельных пользователей. Это особенно полезно в медицинской и фармацевтической областях, где персонализированные лекарственные формы и устройства доставки ЛС могут улучшить соблюдение пациентами схем лечения и снизить риск побочных реакций.

2. Скорость: 3D-печать позволяет быстро создавать прототипы и производить продукты, что помогает сократить время и затраты, связанные с традиционными производственными процессами.

3. Универсальность: 3D-печать может быть использована для производства широкого спектра продуктов, включая сложные структуры и сложные детали, которые было бы трудно или невозможно создать с использованием традиционных методов производства.

Несмотря на то что 3D-печать имеет много потенциальных преимуществ, есть также ряд проблем, которые необходимо решить для ее широкого использования:

1. Совместимость материалов: для 3D-печати требуются специализированные материалы, которые могут быть совместимы не со всеми приложениями. Это может ограничить типы продуктов, которые могут быть созданы с помощью 3D-печати.

2. Стоимость: 3D-печать может быть экономически эффективной для небольших производственных циклов или для создания индивидуальных продуктов, при этом она не всегда может быть наиболее экономически эффективным вариантом для более крупных производственных циклов.

3. Контроль качества: обеспечение постоянного качества 3D-печатной продукции может быть сложной задачей, поскольку процесс зависит от точности цифрового дизайна и производительности 3D-принтера.

4. Вопросы регулирования: существуют нормативные вопросы, которые необходимо решить, чтобы 3D-печатная продукция была широко принята, особенно в медицинской и фармацевтической областях. К ним относятся вопросы, связанные с безопасностью и эффективностью продукции, а также правами интеллектуальной собственности.

5. Ограниченное принятие: 3D-печать по-прежнему является относительно новой технологией, и она еще не получила широкого распространения в промышленности. Это может ограничить доступность 3D-печатной продукции и опыт тех, кто способен ее производить.

Вопросы регулирования, которые необходимо решить при внедрении 3D-печати в медицинской и фармацевтической областях, включают:

1. Безопасность продукции: 3D-печатные продукты, особенно те, которые предназначены для использования в медицинской и фармацевтической областях, должны соответствовать определенным стандартам безопасности, чтобы быть одобренными для использования. Это включает в себя тестирование на биосовместимость, токсичность и другие факторы, которые могут повлиять на безопасность продукта.

2. Эффективность продукта: 3D-печатные продукты, особенно те, которые предназначены для использования в медицинской и фармацевтической областях, также должны демонстрировать эффективность, чтобы они могли быть одобрены к использованию. Это включает в себя тестирование, чтобы убедиться, что продукт работает по назначению и что он обеспечивает желаемый терапевтический эффект.

3. Права интеллектуальной собственности: 3D-печать может поднять вопросы интеллектуальной собственности (ИС), связанные с дизайном и производством продуктов, в том числе нарушение патентов, коммерческую тайну и другие проблемы, связанные с ИС.

4. Контроль качества: обеспечение постоянного качества 3D-печатной продукции может быть сложной задачей, поскольку процесс зависит от точности цифрового дизайна и производительности 3D-принтера. Это может быть проблемой для регулирующих органов, которым необходимо обеспечить качество и согласованность 3D-печатной продукции.

Решение вопросов регулирования является важным фактором при внедрении 3D-печати в медицинской и фармацевтической областях. Поскольку 3D-печатная продукция должна соответствовать определенным стандартам безопасности и эффективности, а также решение вопросов ИС и контроля качества.

Примеры нормативных требований, которые могут применяться к 3D-печатным продуктам в медицинской и фармацевтической областях:

1. Безопасность: 3D-печатные продукты должны быть проверены на биосовместимость, токсичность и другие факторы, которые могут повлиять на безопасность продукта. Это включает в себя тестирование, чтобы убедиться, что продукт не вызывает побочных реакций у пациентов или пользователей.

2. Эффективность: 3D-печатные продукты должны продемонстрировать эффективность, чтобы быть одобренными для использования. Это включает в себя тестирование, чтобы убедиться, что продукт работает по назначению и что он обеспечивает желаемый терапевтический эффект.

3. Контроль качества: 3D-печатная продукция должна быть изготовлена на постоянном уровне качества, чтобы быть одобренной для использования. Это включает в себя обеспечение точности цифрового дизайна и производительности 3D-принтера, а также реализацию мер контроля качества для обеспечения согласованности готового продукта.

4. Права интеллектуальной собственности: 3D-печатная продукция не должна нарушать права интеллектуальной собственности других лиц. Это включает в себя обеспечение того, чтобы дизайн и производство продукта не нарушали никаких патентов, товарных знаков или других прав ИС.

5. Маркировка: 3D-печатная продукция должна быть должным образом маркирована, чтобы быть одобренной для использования. Это включает в себя предоставление информации о предполагаемом использовании продукта, ингредиентах и любых потенциальных рисках или побочных эффектах.

Примерами технологий 3D-печати, которые используются в фармацевтической промышленности, являются:

1. Моделирование методом послойного наплавления (англ. fused deposition modeling; FDM) — это процесс 3D-печати, который включает в себя плавление и экструдирование термопластичной нити для создания 3D-объекта. FDM обычно используется в фармацевтической промышленности для производства устройств доставки ЛС и других небольших функциональных частей.

2. Селективное лазерное спекание (англ. selective laser sintering; SLS) — это процесс 3D-печати, который включает в себя использование лазера для слияния порошкообразных материалов, таких как металлы или пластмассы, для создания 3D-объекта. SLS широко используется в фармацевтической промышленности для производства устройств доставки ЛС и других небольших функциональных деталей.

3. Струйная 3D-печать — это процесс 3D-печати, который включает в себя нанесение слоев материала, такого как керамика или полимеры, с использованием струйного процесса для создания 3D-объекта. Струйная 3D-печать изучается для использования в производстве персонализированных ЛС и устройств доставки ЛС.

4. Биопечать — это процесс 3D-печати, который включает в себя использование 3D-принтера для создания живой ткани, такой как ткань кости или органа.

В дополнение к технологиям 3D-печати, упомянутым выше, существуют также другие технологии, которые изучаются для использования в фармацевтической промышленности. Вот некоторые примеры:

1. Плавление порошкового слоя — это процесс 3D-печати, который включает в себя слияние слоев порошкообразного материала, такого как металлы или пластмассы, с использованием лазера или другого источника энергии для создания 3D-объекта.

2. Фотополимеризация — это процесс 3D-печати, который включает в себя использование источника света для отверждения слоев фотополимерной смолы, создавая 3D-объект. Фотополимеризация изучается для использования в производстве устройств доставки ЛС и других небольших функциональных частей.

3. Лазерная биопечать — это процесс 3D-печати, который включает в себя использование лазера для контроля размещения и ориентации клеток во время процесса биопечати. Эта технология имеет потенциал для повышения точности и воспроизводимости биопечати, и она изучается для использования в производстве запасных частей тела и других медицинских имплантатов.

По мере того как технология продолжает развиваться, вполне вероятно, что в будущем появится еще больше инновационных и преобразующих приложений.

Орган-на-чипе

Орган-на-чипе (англ. Organ-on-a-chip) представляет собой многоканальную 3D-микрофлюидную культуру клеток, интегральную схему (чип), которая имитирует деятельность, механику и физиологическую реакцию отдельного органа или системы органов (см. рис. 37).

Орган-на-чипе

Рис. 37

Он является предметом значительных исследований в области биомедицинской инженерии, точнее в био-MEMS. Конвергенция лабораторий-на-чипах (англ. lab-on-a-chip; LOC) и клеточной биологии позволила изучать физиологию человека в органно-специфическом контексте, представив новую модель многоклеточных человеческих организмов in vitro. Однажды они, возможно, отменят потребность в животных в разработке ЛС и тестировании токсинов.

Хотя многие публикации утверждают, что перевели функции органов на этот интерфейс, движение к этому микрофлюидному приложению все еще находится в зачаточном состоянии. Органы-на-чипах будут различаться по дизайну и подходу между различными исследователями. Таким образом, проверка и оптимизация этих систем, вероятно, будет длительным процессом. Органы, которые были смоделированы микрофлюидными устройствами, включают мозг, легкие, сердце, почки, печень, простату, сосуд (артерию), кожу, кости, хрящи и многое другое.

Тем не менее создание действительных искусственных органов требует не только точной клеточной манипуляции, но и детального понимания фундаментальной сложной реакции человеческого организма на любое событие. Общая проблема с органами-на-чипах заключается в изоляции органов во время тестирования. Организм представляет собой сложную сеть физиологических процессов, что затрудняет моделирование одного органа. Микрофабрикация, микроэлектроника и микрофлюидика предлагают перспективу моделирования сложных физиологических реакций in vitro в точно смоделированных условиях.

Разработка органов-на-чипе позволила изучать сложную патофизиологию вирусных инфекций человека. Примером является платформа печеночных чипов, которая позволила проводить исследования вирусного гепатита.

Мозг-на-чипе. Устройства «мозг-на-чипе» создают интерфейс между нейробиологией и микрофлюидикой посредством:

• повышения жизнеспособности культуры;
• поддержки высокопроизводительного скрининга;
• моделирования физиологии и заболеваний на уровне органов in vitro/ex vivo;
• добавления высокой точности и настраиваемости микрофлюидных устройств.

Устройства «мозг-на-чипе» охватывают несколько уровней сложности с точки зрения методологии клеточной культуры. Устройства были сделаны с использованием платформ, которые варьируются от традиционной 2D-культуры клеток до 3D-тканей в виде органотипических срезов мозга.

Поскольку микрофлюидные устройства могут быть спроектированы с оптической доступностью, это также позволяет визуализировать морфологию и процессы в определенных областях или отдельных клетках. Системы «мозг-на-чипе» могут моделировать физиологию на уровне органов при неврологических заболеваниях, таких как болезнь Альцгеймера, болезнь Паркинсона и рассеянный склероз, более точно, чем с помощью традиционных методов 2D- и 3D-клеточной культуры. Способность моделировать эти заболевания таким образом, чтобы это указывало на условия in vivo, имеет важное значение для трансляции терапии и лечения. Кроме того, устройства «мозг-на-чипе» использовались для медицинской диагностики, например для обнаружения биомаркеров рака в срезах мозговой ткани.

Несмотря на прогресс в области микрофлюидных устройств для моделирования гематоэнцефалического барьера, эти устройства часто слишком сложны технически, требуют узкоспециализированных установок и оборудования и не способны обнаруживать временные и пространственные различия в кинетике транспорта веществ, которые мигрируют через клеточные барьеры. Кроме того, прямые измерения проницаемости в этих моделях ограничены из-за ограниченной перфузии и сложной, плохо определенной геометрии вновь образованной микрососудистой сети.

Кишечник-на-чипе. Человеческий кишечник на чипе содержит два микроканала, которые разделены гибкой пористой мембраной, покрытой внеклеточным матриксом (англ. extracellular matrix; ECM), выстланной эпителиальными клетками кишечника Caco-2, который широко используется в качестве кишечного барьера. Клетки Caco-2 культивируются под спонтанной дифференцировкой его родительской клетки, аденокарциномы толстой кишки человека, и представляют собой модель защитных и абсорбционных свойств кишечника. Микроканалы изготавливаются из полимера полидиметилсилоксана (PDMS). Чтобы имитировать микроокружение кишечника, разработан перистальтикоподобный поток жидкости.

Индуцируя всасывание в вакуумных камерах вдоль обеих сторон бислоя основного клеточного канала, развивается циклическое механическое напряжение растяжения и расслабления, чтобы имитировать поведение кишечника.

Легкие-на-чипе. Разрабатываются в попытке улучшить физиологическую значимость существующих моделей альвеолярно-капиллярного интерфейса in vitro. Такое многофункциональное микроустройство может воспроизводить ключевые структурные, функциональные и механические свойства альвеолярно-капиллярного интерфейса человека (т.е. фундаментальной функциональной единицы живого легкого).

Потенциальная ценность системы «легкие-на-чипе» поможет в токсикологических приложениях. Исследуя легочный ответ на наночастицы, исследователи надеются узнать больше о рисках для здоровья в определенных средах и исправить ранее упрощенные модели in vitro.

Поскольку микрофлюидное легкое-на-чипе может более точно воспроизводить механические свойства живого человеческого легкого, его физиологические реакции будут быстрее и точнее, чем система культивирования Трансвелла. Тем не менее опубликованные исследования признают, что ответы легких-на-чипе еще не полностью воспроизводят ответы нативных альвеолярных эпителиальных клеток.

Сердце-на-чипе. Прошлые усилия по репликации среды сердечной ткани in vivo оказались сложными из-за трудностей при имитации сократимости и электрофизиологических реакций. Такие особенности значительно повысили бы точность экспериментов in vitro.

Микрофлюидика уже внесла свой вклад в эксперименты in vitro на кардиомиоцитах, которые генерируют электрические импульсы, контролирующие частоту сердечных сокращений. Например, исследователи создали массив микрокамер PDMS, согласованных с датчиками и стимулирующими электродами в качестве инструмента, который будет электрохимически и оптически контролировать метаболизм кардиомиоцитов. Другая лаборатория на чипе аналогичным образом объединила микрофлюидную сеть в PDMS с планарными микроэлектродами, на этот раз для измерения внеклеточных потенциалов от одиночных взрослых мышиных кардиомиоцитов.

Сообщается, что конструкция «сердце-на-чипе» утверждает, что построила «эффективное средство измерения отношений „структура-функция“ в конструкциях, которые воспроизводят иерархические тканевые архитектуры ламинарной сердечной мышцы». Этот чип определяет, что выравнивание миоцитов в сократительном аппарате, изготовленном из сердечной ткани, и профиль экспрессии генов (на который влияет деформация формы и структуры клеток) способствуют силе, вырабатываемой в сократимости сердца. 3D-микрофлюидное сердце-на-чипах также облегчило исследование сердечных заболеваний.

Например, гипертрофия сердца и фиброз изучаются с помощью соответствующего уровня биомаркеров механически стимулируемых мкЭКТ, таких как предсердный натрийуретический пептид (ANP) для первого и трансформирующий фактор \text{роста} - \beta (TGF - \beta) для последнего.

Почка-на-чипе. Почечные клетки и нефроны уже были смоделированы микрофлюидными устройствами. Такие клеточные культуры могут привести к новому пониманию функции клеток и органов и использоваться для скрининга ЛС. Устройство «почка-на-чипе» может ускорить исследования, охватывающие искусственную замену утраченной функции почек. В настоящее время диализ требует, чтобы пациенты обращались в клинику до трех раз в неделю. Более транспортабельная и доступная форма лечения не только улучшит общее состояние здоровья пациента (за счет увеличения частоты лечения), но и весь процесс станет более эффективным и терпимым.

Нефрон-на-чипе. Нефрон является функциональной единицей почки и состоит из клубочка и трубчатого компонента. Исследователи из Массачусетского технологического института утверждают, что разработали биоискусственное устройство, которое воспроизводит функцию клубочка нефрона, проксимального извитого канальца и петли Генле. Исследование демонстрирует полезный потенциал для имитации почечной физиологии для регенеративной медицины и скрининга ЛС.

Печень-на-чипе. Устройства «печень-на-чипе» используют микрофлюидные методы для моделирования печеночной системы путем имитации сложных печеночных долек, которые включают функции печени. Устройства «печень-на-чипе» обеспечивают хорошую модель, помогающую исследователям работать над дисфункцией и патогенезом печени с относительно низкой стоимостью.

Производство мочевины, белка и положительный результат теста репликации вируса гепатита B (HBV) доказывает жизнеспособность этого устройства для использования в высокопроизводительных исследованиях токсичности и для изучения гепатотропных вирусов.

Также существует модель опухоли печени-на-чипе, которая является подходящей конструкцией для дальнейших противоопухолевых исследований.

Печень-на-чипе показала свой большой потенциал для исследований, связанных с печенью. Будущие цели для устройств «печень-на-чипе» сосредоточены на повторении более реалистичной печеночной среды, включая реагенты в жидкостях, типы клеток, продление времени выживания и т.д.

Замена исследований на животных. На ранней стадии разработки ЛС животные модели были единственным способом получения данных in vivo, которые могли бы предсказать фармакокинетические реакции человека. Однако эксперименты на животных длительны, дороги и противоречивы. Например, животные модели часто подвергаются механическим или химическим методам, которые имитируют травмы человека. Существуют также опасения в отношении достоверности таких моделей животных из-за недостатка межвидовой экстраполяции. Кроме того, животные модели предлагают очень ограниченный контроль над отдельными переменными, и сбор конкретной информации может быть громоздким.

Поэтому имитация физиологических реакций человека в модели in vitro должна быть более доступной и должна предлагать контроль клеточного уровня в биологических экспериментах: биомиметические микрофлюидные системы могут заменить тестирование на животных. Разработка биочипов на основе MEMS, которые воспроизводят сложные патологические реакции на уровне органов, может революционизировать многие области, включая токсикологию и процесс разработки фармацевтических препаратов и косметики, которые полагаются на исследования на животных и клинические исследования.

Недавно были разработаны физиологически основанные перфузионные системы in vitro для обеспечения среды клеточной культуры, близкой к клеточной среде in vivo. Новые испытательные платформы, основанные на многокамерных перфузированных системах, приобрели интерес к фармакологии и токсикологии. Он направлен на то, чтобы обеспечить среду клеточной культуры, близкую к ситуации in vivo, для более надежного воспроизведения механизмов in vivo или процессов ADME, которые включают его поглощение, распределение, метаболизм и элиминацию. Перфузированные системы in vitro в сочетании с кинетическим моделированием являются перспективными инструментами для изучения in vitro различных процессов, участвующих в токсикокинетике ксенобиотиков.

Математические фармакокинетические модели направлены на оценку профилей концентрации-времени в каждом органе на основе начальной дозы препарата. Такие математические модели могут быть относительно простыми, рассматривая организм как единый компартмент, в котором распределение препарата достигает быстрого равновесия после приема. Математические модели могут быть очень точными, когда известны все задействованные параметры. Модели, которые объединяют фармакокинетические модели (PK) или физиологически обоснованные модели (PBPK) с фармакодинамическими моделями (PD), могут предсказать зависящие от времени фармакологические эффекты ЛС. В настоящее время мы можем предсказать с помощью моделей PBPK PK о любом химическом веществе у людей, почти с первых принципов. Эти модели могут быть либо очень простыми, как статистические модели «доза-реакция», либо сложными и основанными на системной биологии, в соответствии с преследуемой целью и имеющимися данными. Все, что нам нужно для этих моделей, это хорошие значения параметров для интересующей молекулы.

Системы микрофлюидных клеточных культур, такие как аналоги микроклеточных культур (мкККА; \mu CCA ), могут использоваться в сочетании с моделями PBPK.

Эти уменьшенные устройства мкККА, называемые также устройствами «тело-на-чипе», могут имитировать многотканные взаимодействия в почти физиологических условиях потока жидкости и с реалистичным соотношением размеров ткани к ткани.

Данные, полученные с помощью этих систем, могут быть использованы для проверки и уточнения механистических гипотез. Устройства микрофабрикации также позволяют нам проектировать их на заказ и правильно масштабировать отсеки органов по отношению друг к другу.

Применение блокчейна и смарт-контракты

Система здравоохранения с точки зрения организации труда за последнее столетие не сильно изменилась. При этом технологическая инфраструктура, окружающая человека, претерпела полную цифровизацию, и существенные изменения произошли в основном за последние десятилетия. Технология блокчейна существует уже более десяти лет, однако фундаментальные изменения в здравоохранении до сих пор не произошли.

Интерес к технологии блокчейна для системы здравоохранения стал наиболее заметным с 2017 года. Телемедицинские услуги на современном уровне эксплуатации позволяют проводить дистанционные консультации врачей друг с другом и консультации медицинских работников с пациентами с использованием средств коммуникации, например сети Интернет. Врачи могут следить за состоянием здоровья пациентов на расстоянии, в том числе с помощью медицинских датчиков, основанных на принципах интернета вещей. Также врачи могут выписывать электронные рецепты и справки.

Блокчейн — это одновременно одноранговая сеть и публичная база данных, которая работает без центрального сервера. Эта база данных содержит информацию о каждой транзакции обмена между пользователями.

Когда произошло стартовое событие, например, наступление определенной даты, контракт запускается сам на основе условий положения, зафиксированных в его коде. Следуя условиям договора, сетевые узлы обновляют реестр. При выполнении всех требований договор автоматически закрывается, а информация о совершенных действиях записывается в блокчейн.

В настоящее время наблюдается активное развитие цифровых технологий на основе блокчейна в телемедицинском сегменте здравоохранения. Анализ существующих решений показал наличие преимуществ как для пациентов и медицинских организаций, так и для смежных структур. Технология блокчейн решает вопрос доступа к медицинским данным и сохранения их конфиденциальности.

Все перечисленные технологические решения направлены на сокращение как временных, так и финансовых затрат потребителей медицинских и сопутствующих услуг.

Глава 5. ИНФОРМАЦИОННАЯ МОДЕЛЬ ПРОИЗВОДСТВЕННОГО ПРЕДПРИЯТИЯ В КОНЦЕПЦИИ «ИНДУСТРИЯ 4.0»

Цифровое производственное предприятие

В связи с возросшим вниманием к концепции цифрового предприятия специалистам-практикам важно понимать, какими средствами и на какой основе можно реализовать эту концепцию на базе комплексов информационных систем, функционирующих в защищенной цифровой среде.

Поскольку в парадигме «Промышленность 4.0» предприятие необходимо рассматривать не как набор оборудования и технологий, а как технологии внедрения различных киберфизических систем — от датчиков промышленного интернета вещей и искусственного интеллекта, до промышленных роботов и РАТ технологий.

Отраслевые ИТ-гиганты, занимающиеся разработкой программного обеспечения для организаций, в большей степени сосредотачиваются на автоматизации существующих процессов, спроектированных в доцифровую эпоху, и построении таким образом информационной модели. Хотя возможен и обратный подход к цифровизации — от модели к автоматизации: в основу цифровизации, автоматизации и информатизации должна быть положена объективная и полная информационная модель производственного процесса. Это позволит в основе цифрового предприятия поставить информационную модель производственных процессов, а все остальные процессы (административные и управленческие, также в виде информационных моделей) должны строиться вокруг основной информационной модели. В этом случае возможно применять новые алгоритмы, новые датчики и информационные технологии не относительно процессов, а относительно первичной модели, что дает полноту информации о процессе.

Таким образом, «цифровое предприятие» — это в необходимой мере полная цифровая модель действующего предприятия, содержащая как минимум параметры производственных и бизнес-процессов, критических, с точки зрения качества конечного продукта и применимых регуляторных требований. Объем и границы модели определяются задачей. Например, система электронного документооборота компании — это совокупность данных, способов их обработки и маршрутов движения, выполняющих задачу функционирования документооборота.

Фундамент цифрового предприятия — цифровые нормализованные референтные модели (цНРМ) производственно-технологических и бизнес-процессов. Дальнейшее развитие — имитационное и аналитическое моделирование, построение 3D-моделей цехов, оборудования, потоков и т.д. (с учетом всех возможностей современных компьютерных технологий) не является обязательным и первичным, т. к. является затратным с точки зрения ресурсов (финансовых и человеческих).

От степени полноты цНРМ зависит полнота и оптимальность реализации цифровизации/информатизации/автоматизации, которые во многом зависят от текущего уровня готовности технологий. Информационная модель при этом не меняется, так как не меняется реальный производственно-технологический процесс, в котором выделяют 8 составляющих, не зависящих от уровня развития научно-технического прогресса и информационных технологий: территория, помещение, оборудование, персонал, документация, сырье, продукт, отходы.

Три принципиальные концептуальные части информационной архитектуры, которые необходимо реализовать для построения цифрового предприятия:

• цифровая модель производственных процессов;
• цифровая модель системы управления;
• программное обеспечение, реализующее алгоритмы ИТ-систем, технических решений и ИИ.

Все это реализуется на основе существующей технологической базы: информационных хранилищ, компьютеров, программного обеспечения. Таким образом, создание цифрового предприятия сводится к построению взаимодействующих информационных моделей производственного предприятия: данные, алгоритмы их обработки и маршруты движения информации.

В фармацевтическом производстве неприменим классический подход к управлению данными (Product Data Management) из-за особенности лекарственного средства как продукта и вытекающей отсюда специфики «цифрового фармацевтического предприятия». Лекарственный препарат обладает следующим набором особенностей с точки зрения производства:

• разрушающий контроль при проверке качества;
• характеристики ЛП определяются не только соответствием стандартам качества, но и фармакологическими свойствами ЛП, обеспечивающими медицинскую потребность. Поэтому прямое использование понятия «цифровой двойник» из классического PLM/CALS невозможно;
• в состав ЛП входят различные компоненты, для которых устанавливаются допустимые пределы подлинности, количественного содержания, чистоты и наличия примесей. Конечное качество ЛП (соответствие спецификации) достигается в том числе за счет управления процессом производства.

Таким образом можно утверждать, что качество конечного продукта фармацевтического производства — лекарственного средства, достигается обеспечением качества производственных и управленческих процессов. Относительно фармацевтического производства целесообразно применять термин «цифровой двойник процесса (производства)», а не «цифровой двойник продукта», т.к. продукт надлежащего качества (лекарственный препарат) возникает в результате управляемого процесса производства в условиях контролируемой производственной среды. С точки зрения цифровизации в практической деятельности фармацевтического предприятия речь идет о широком понятии — управлении данными о процессе производства, в которые входят и данные о продукте.

Поэтому в основе подхода «Цифровое фармацевтическое предприятие 4.0» лежит цифровая модель (цифровой двойник) процесса (цНРМ), реализуемая через унифицированную адаптированную методологию описания производственно-технологических процессов — диаграмму хода процесса (ДХП) и параметров производственно-технологических процессов (Куб ресурсов).

Необходимость единой методологии описания производственно-технологических процессов фармацевтического предприятия при проведении цифровой трансформации

Для построения цифровой динамической информационной модели производственного фармацевтического предприятия и ее реализации в виде алгоритмов и программного кода в компьютерных системах необходима целостная методология описания производственно-технологических и бизнес-процессов, максимально учитывающая особенности производственной деятельности фармацевтического производства. Использование единого подхода в рамках максимально подробного описания процессов обеспечит полноту построения цНРМ фармацевтического предприятия и, соответственно, максимальное соответствие цифрового предприятия реальным ожиданиям.

Для работы алгоритмов необходима первичная структура данных. Поэтому в методологию нормализованных референтных моделей (НРМ) изначально заложена структура, необходимая и достаточная для получения полной достоверной информации о производственно-технологических процессах. НРМ имеет следующий состав:

• диаграмма хода процесса — графическое представление производственно-технологического процесса в виде потока операций;
• спецификации по параметрам и характеристикам операций — документы, содержащие требования к процессам производства (процедуры, инструкции) и доказательства надлежащего исполнения (записи, отчеты).

Производственные процессы приводятся в виде диаграммы хода процессов, которая отражает состав и последовательность выполнения операций по процессу. На ДХП производственный процесс представлен в виде сетевой структуры с выделенными основными, вспомогательными и контрольными операциями.

В результате использования ДХП получаем дерево производственно-технологического процесса, имеющее необходимое количество уровней декомпозиции осуществляемых операций.

Подобный подход к содержанию производственно-технологических процессов позволяет усилить информационный аспект представления процессов за счет структурированности и конструктивности представляемой информации, благодаря чему процесс легче подвергается возможной алгоритмической обработке.

Основным элементом ДХП и НРМ является стандартизированная единица действия — атомарная структура процесса, содержащая параметры, критические с точки зрения качества конечного продукта.

Спецификация по параметрам и характеристикам стандартизированной единицы действия состоит из описания следующих компонентов (параметров):

• оборудование — то, с помощью чего совершается операция;
• помещение (внутренняя среда действия) — то, что составляет внутреннюю инфраструктуру операции;
• территория (внешняя среда действия) — то, что извне влияет на операцию;
• документация (управление) — то, что описывает порядок выполнения операции;
• персонал (оператор) — тот, кто выполняет операцию.

Кроме параметров, у стандартной единицы действия есть дополнительные характеристики:

• владелец — лицо, несущее ответственность за ход и результаты операции;
• контролируемые параметры — спецификации и характеристики операции, по которым владелец операции и руководитель более высокого уровня могут судить о правильности выполнения операции и ее эффективности;
• длительность — время выполнения операции.

Для аккумулирования «рабочих» знаний и опыта по технологиям производства продукции необходимо сформировать банк референтных моделей производственных процессов, который способствует систематизации существующих и созданию новых знаний.

Модель, построенная с помощью методологии НРМ, позволяет:

• получить полную, достоверную и однозначную информацию о процессе;
• применить математические методы для анализа и оптимизации процесса;
• полностью воспроизвести процесс в режиме имитационного моделирования.

Основные особенности и преимущества модели цифрового предприятия при использовании методологии цНРМ:

• привязана к конкретным параметрам (отражает имеющееся или определяет требуемые): территории, помещению, оборудованию, персоналу, сырью, продукту, отходам;

Построение отраслевых цифровых экосистем

Подход, при котором достигается вовлечение компании в решение экологических, социальных и управленческих проблем (англ. Environmental, Social, and Corporate Governance; ESG), в широком смысле постулируется как концепция устойчивого развития. За счет применения подхода ESG организация гармонично встраивается в окружающую среду — природную, социальную и управленческую (экономическую), обеспечивая собственный стабильный и устойчивый рост, развитие и улучшение окружения. Востребованность и применимость ESG в фармацевтической индустрии максимально очевидна, т.к. фармацевтический продукт затрагивает все три основные части ESG:

• направлен на живые системы — человека и окружающую среду;
• является социально значимым как для обеспечения биологической безопасности отдельных граждан, так и общества, человеческой популяции в целом;
• требует ответственного корпоративного управления, связанного с устойчивым развитием организации.

Экологическая составляющая в концепции устойчивого развития постулирует, что устойчивое развитие должно обеспечивать целостность биологических и физических природных систем, в первую очередь тех, от которых зависит стабильность всей биосферы.

Социальная составляющая ориентирована на человека и направлена на сохранение стабильности социальных и культурных систем. Выражается в правилах компании в отношении взаимодействия с персоналом, поставщиками, клиентами и партнерам, государством как социальным институтом и обществом в целом.

Управленческая (экономическая) составляющая связана с качеством и эффективностью управления организацией. Предполагает в том числе уменьшение операционных расходов — потребление сырья, воды или углерода за счет оптимального использования ограниченных ресурсов и использование природо-, энерго- и материалосберегающих технологий на всех этапах создания продукции — от добычи сырья, создания экологически приемлемой продукции до утилизации.

Принципы ESG должны реализовываться как во внутреннем контуре цифрового предприятия — на уровне архитектуры производственных процессов или параметров управленческой отчетности, так и во внешнем контуре — через взаимодействие с поставщиками/потребителями продукции, с регулирующими органами и с заинтересованными социальными институтами и лицами в отраслевой цифровой экосистеме.

Построение отраслевых цифровых экосистем является следующим (или параллельным) шагом после построения цифровых предприятий. Для этого на уровне отрасли необходимо обеспечить как минимум единство интерфейсов передачи данных, единство информационных моделей, лежащих в основе корпоративных систем, и открытость определенной части конфиденциальной информации.

Построение отраслевых цифровых экосистем — это в первую очередь стандартизированный обмен данными предприятий в единой производственной цепочке от поставщиков до потребителей в широком смысле, расширение доступа к производственной информации в режиме онлайн для регулирующих органов и бизнес-партнеров. В частности, важно учитывать особенности открытого контрактного производства в фарминдустрии.

Поскольку в промышленную экосистему входят не только цепочки поставщиков, но и регулирующие и контролирующие органы исполнительной власти, а также заинтересованные общественные/социальные организации, то необходимо предоставить прозрачный доступ к какой-то части производственных данных относительно продукта. Полноценную отраслевую профессиональную цифровую экосистему не построить без открытых стандартов обмена деловой информацией, значительных совместных инфраструктурных затрат, и самое главное, это потребует полного перестроения классической корпоративной модели, которая применялась в XX веке.

На стратегическом государственном уровне речь идет об унифицированных цифровых платформах уровня экономики государства (цифрового государства), которые включают как минимум 3 контура обмена информацией:

1. Внешний контур — государственные и контролирующие организации, социальные, общественные организации и заинтересованные лица.

2. Отраслевой контур — множество предприятий, связанных логистическими цепочками и производственным взаимодействием.

3. Контур предприятия — внутренняя архитектура и инфраструктура цифрового предприятия.

В упрощенном виде цифровая экосистема — это множество участников, объединенных вокруг единой цифровой платформы, через которую совершаются транзакции между участниками и в пользу участников.

Практическая реализация изложенных подходов к цифровой трансформации на работающих фармацевтических производствах

Были разработаны алгоритмы и технологии анализа больших данных с использованием цифровой базы знаний. Система автоматически выявляет и фиксирует нарушения, отклонения и формирует уведомления, напоминания, отчеты, экраны для помощи людям в принятии решений и решении проблем.

Также в режиме промышленной эксплуатации работает система класса «Промышленный IoT» — распределенная система сбора данных и удаленного мониторинга характеристик производственного оборудования on-line — Distributed Control System (DCS). DCS-Фарма внедрена на АО «Микроген», ОАО «Биомед им. И.И. Мечникова», ООО «Фармапарк». Технологии сбора, нормализации и хранения данных от различных технических устройств для дальнейшего их использования и анализа были спроектированы и созданы на основе НРМ.

Все эти информационные системы функционируют и продолжают развиваться уже без непосредственного участия разработчиков, что напрямую свидетельствует о правильности заложенных в их архитектуру методологических и программных основ, а также реализации подхода к универсальности и деперсонификации знаний в организации.

Список сокращений и условных обозначений

Аббревиатура	Расшифровка
АФС	Активная фармацевтическая субстанция
ВОЗ	Всемирная организация здравоохранения
ДРУ	Держатель регистрационного удостоверения
ЕАЭС	Евразийский экономический союз
ЕГИСЗ	Единая государственная информационная система здравоохранения
ЕС	Европейский союз
ЕЭК	Евразийская экономическая комиссия
ЖЦ	Жизненный цикл
ИТ	Информационные технологии
КИЗ	Контрольный идентификационный знак
ЛП	Лекарственные препараты
ЛС	Лекарственные средства
НРМ	Нормализованная референтная модель
ОТЗ	Оценка технологий здравоохранения
СМК	Система менеджмента качества
СПП	Статистическое программное обеспечение
ФГИС МДЛП	Федеральная государственная информационная система мониторинга движения лекарственных препаратов
ФИС	Фармацевтические информационные системы
ФСК	Фармацевтическая система качества
ЭМК	Электронные медицинские карты
ACPV (англ. automated continuous process verification)	Автоматизированная непрерывная проверка процессов
AI (англ. Artificial intelligence)	Искусственный интеллект
ALCOA (англ. attributable, legible, contemporaneous, original and accurate)	Акроним: требования FDA и WHO к документации в клинических исследованиях
API (англ. Application Programming Interface)	Программный интерфейс доступа к данным
AR (англ. Augmented reality)	Дополненная реальность
ASCII (англ. American Standard Code for Information Interchange)	Американский стандартный код для обмена информацией
BI (англ. Business Intelligence)	Инструменты отчетности бизнес-аналитики
CALS (англ. Continuous Acquisition and Lifecycle Support)	Непрерывная информационная поддержка поставок и жизненного цикла изделия
CAPA (англ. Corrective and Preventive Action)	Корректирующие и предупреждающие меры
CDM (англ. Clinical Data Management)	Управление клиническими данными
CDSS (англ. Clinical decision support system)	Система поддержки принятия клинических решений
COVID (англ. coronavirus disease)	Коронавирусная инфекция
CRM (англ. Customer relationship management)	Система управления взаимоотношениями с клиентами
CTD (англ. Common Technical Document)	Общий технический документ
CTMS (англ. Clinical Trial Management System)	Система управления клиническими исследованиями
DADI (англ. the Digital Application Dataset Integration)	Интеграция наборов данных цифровых приложений
DMP (англ. Data management platform)	Платформа управления данными
eBR (англ. Electronic Batch Record)	Электронный протокол партии
eCTD (англ. Electronic Common Technical Document)	Электронный общий технический документ
EDC (англ. Electronic Data Capture)	Система электронного сбора данных
ELN (англ. Electronic laboratory notebook)	Электронные лабораторные журналы
EMA (англ. European Medicines Agency)	Европейское агентство по ЛС
ePI (англ. Electronic product information)	Электронная информация о продуктах
ERP (англ. Enterprise resource planning)	Система планирования ресурсов предприятия
ESG (англ. Environmental, Social, and Corporate Governance)	Экологическое, социальное и корпоративное управление
FDA (англ. Food and Drug Administration)	Управление по контролю качества пищевых продуктов и лекарственных средств
FDM (англ. Fused Deposition Modeling)	Моделирование плавленого осаждения
FHIR (англ. Fast Healthcare Interoperability Resources)	Стандарт обмена медицинской информацией
GAMP (англ. Good Automated Manufacturing Practice)	Надлежащая практика автоматизированного производства
GCP (англ. Good Clinical Practice)	Надлежащая клиническая практика
GDP (англ. Good Distribution Practice)	Надлежащая практика дистрибуции
GLP (англ. Good Laboratory Practice)	Надлежащая лабораторная практика
GMP (англ. Good Manufacturing Practice)	Надлежащая производственная практика
GS1 (англ. Global Standard One)	Международная организация, ведающая вопросами стандартизации учета и штрихового кодирования логистических единиц
GTIN (англ. Global Trade Item Number)	Глобальный номер товарной продукции
GVP (англ. Good pharmacovigilance practice)	Надлежащая практика фармаконадзора
ICH (англ. International Council on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use)	Международный совет по гармонизации
IDMP (англ. Identification of Medicinal Products)	Идентификация лекарственных средств
IoT (англ. Internet of Things)	Интернет вещей
ISO (англ. International Organization for Standardization)	Международная организация по стандартизации
ITIL (англ. Information Technology Infrastructure Library)	Библиотека инфраструктуры информационных технологий
ITSM (англ. Information Technology Service Management, IT Service Management)	Система управления IT-сервисом
KPI (англ. Key Performance Indicator)	Ключевые показатели эффективности
LIMS (англ. Laboratory Information Management System)	Лабораторные информационные системы
LMIS (англ. Logistics management information system)	Информационные системы управления логистикой
MEMS (англ. micro-electro-mechanical systems)	Микроэлектромеханические системы
MES (англ. Manufacturing Execution System)	Специализированное прикладное программное обеспечение, предназначенное для решения задач синхронизации, координации, анализа и оптимизации выпуска продукции в рамках какого-либо производства
NLP (англ. Natural Language Processing)	Обработка естественного языка
PAT (англ. Process Analytical Technology)	Технологии анализа процессов
PBPK (англ. physiologically based pharmacokinetic model)	Фармакокинетическая модель, основанная на физиологии
PLM (англ. Product Lifecycle Management System)	Управление жизненным циклом продукта
QbD (англ. Quality by Design)	Качество путем разработки
RPA (англ. Robotic process automation)	Роботизированная автоматизация процессов
RWD (англ. Real-World Data)	Данные реального мира
RWE (англ. Real-World Evidence)	Фактические данные реального мира
SAS (англ. serial-attached SCSI)	Пакет статистического программного обеспечения
SDMS (англ. Scientific Data Management System)	Система управления научными данными
SMQ (англ. Standard MedDRA Query)	Стандартный запрос с использованием терминов из MedDRA
VR (англ. Virtual Reality)	Виртуальная реальность
XML (англ. Extensible Markup Language)	Расширяемый язык разметки

Список использованной литературы

1. Белоусов Д.Ю. Будущее развитие прецизионной и персонализированной медицины / Д.Ю. Белоусов. DOI: 10.37489/2949-1924-0027. Текст: электронный // Пациентоориентированная медицина и фармация. 2023. Т. 1. № 4. С. 8 — 13. URL: https://www.patient-oriented.ru/jour/article/view/49 (дата обращения: 06.02.2025).

2. Вардомацкая Л.П. Инструменты цифровой экономики в контексте их влияния на эффективность фармации / Л.П. Вардомацкая, А.М. Лилюхин. DOI: 10.22394/2079-1690-2020-1-2-112-117. Текст: непосредственный // Государственное и муниципальное управление. Ученые записки. 2020. № 2. С. 112 — 117.

3. Веснап О.С. Компьютеризация фармацевтического производства / О.С. Веснап, К.А. Кошечкин. DOI: 10.33920/med-13-2404-03. Текст: электронный // Фармацевтическое дело и технология лекарств. 2024. № 4 (28). С. 31 — 38. URL: https://panor.ru/articles/kompyuterizatsiya-farmatsevticheskogo-proizvodstva/106289.html# (дата обращения: 06.02.2025).

4. Дроздов А. Виртуальные помощники (RPA) в фарминдустрии — инновационная «таблетка» для повышения эффективности / А. Дроздов. Текст: электронный // Habr.com: [сайт]. URL: https://habr.com/ru/articles/581678/ (дата обращения: 06.02.2025).

5. Доржиева В.В. Цифровая трансформация промышленности в условиях внешних ограничений (на примере фармацевтической промышленности): Научный доклад / В.В. Доржиева. Текст: непосредственный // Институт экономики РАН. 2023. 54 с.

6. Жизненный цикл лекарственных средств: [монография] / И.В. Ершова, А.А. Мохов, А.Н. Яворский; Под редакцией Ю.В. Олефира, А.А. Свистунова. Москва: Медицинское информационное агентство, 2018. 280 с. Текст: непосредственный.

7. Информационно-алгоритмическая поддержка систем управления распределительно-сбытовой логистикой фармацевтических предприятий / А.В. Костров, В.Ф. Корнюшко, С.Э. Кайбуллаева, О.М. Николаева. DOI: 10.32362/2410-6593-2017-12-3-87-94. Текст: непосредственный // Тонкие химические технологии. 2017. Т. 12. № 3. С. 87 — 94.

8. Использование фармакоэкономических методов для совершенствования медицинской помощи в детской онкогематологии в Челябинской области / И.И. Спичак, Е.В. Жуковская, Е.В. Башарова [и др.]. Текст: непосредственный // Медицинские технологии. Оценка и выбор. 2012. № 2 (8). С. 123 — 131.

9. Клунко Н.С. Основные тренды цифровой трансформации фармацевтической отрасли / Н.С. Клунко, Н.В. Сироткина. Текст: непосредственный // Организатор производства. 2021. № 2. С. 90 — 97.

10. Коллегия Европейской экономической комиссии. Рекомендации. О Руководстве по обеспечению целостности данных и валидации компьютеризированных систем: Рекомендация Коллегии ЕЭК от 19 сентября 2023 года № 25. Текст: электронный // Правовой портал Евразийского экономического союза: [сайт]. URL: https://docs.eaeunion.org/documents/415/7654/ (дата обращения: 06.02.2025).

11. Кошечкин К.А. Возможности внедрения CALS/PLM-технологий на основных этапах жизненного цикла лекарственных средств / К.А. Кошечкин. Текст: электронный // Новости GMP. 2017. Т. 1. № 12. С. 205 — 209. URL: https://www.calameo.com/read/0052981733dbc0e348310 (дата обращения: 06.02.2025).

12. Кошечкин К.А. Опыт создания информационной системы управления деятельностью испытательных лабораторий экспертного учреждения в сфере обращения лекарственных средств / К.А. Кошечкин. Текст: непосредственный // Ведомости Научного центра экспертизы средств медицинского применения. 2018. Т. 8. № 2. С. 103 — 108.

13. Кошечкин К.А. Управление информационным сопровождением жизненного цикла лекарственных средств / К.А. Кошечкин, Ю.В. Олефир, В.А. Меркулов. Москва: ИП Чувашова Н.В., 2015. 284 с. Текст: непосредственный.

14. Кравчук А.А. Технологии цифровой терапии (обзор литературы) / А.А. Кравчук, Е.И. Аксенова, Н.Н. Камынина. Текст: непосредственный // Проблемы социальной гигиены, здравоохранения и истории медицины. 2022. № 6. С. 1038 — 1043.

15. Крашенинников А.Е. Разработка и внедрение в систему фармаконадзора информационных баз данных нежелательных реакций и их значение в повышении и безопасности лекарственных средств / А.Е. Крашенинников, А.В. Матвеев, Е.А. Егорова. Текст: непосредственный // Вестник Волгоградского государственного медицинского университета. 2018. № 3 (67). С. 8 — 12.

16. Кугач А.А. Аптечные роботы / А.А. Кугач, В.В. Кугач, Е.В. Игнатьева. Текст: непосредственный // Вестник фармации. 2018. № 2 (80). С. 84 — 94.

17. Кузнецов С.В. Управление мастер-данными в рамках итеративного подхода / С.В. Кузнецов, Д.В. Кознов. Текст: непосредственный // Онтология проектирования. 2021. Т. 11. № 2 (40). С. 170 — 184.

18. Ляпунов Н.А. Современная методология фармацевтической разработки лекарственных препаратов / Н.А. Ляпунов, Е.П. Безуглая. Текст: непосредственный // Фармацевтическая отрасль. 2013. № 1. С. 79.

19. Межгосударственный стандарт. ГОСТ ISO/IEC 17025-2019. Общие требования к компетентности испытательных и калибровочных лабораторий: принят Межгосударственным советом по стандартизации, метрологии и сертификации (протокол от 28 июня 2019 года № 55): дата введения: 2019-09-01: взамен ГОСТ ISO/IEC 17025-2009 / Подготовлен Республиканским унитарным предприятием «Белорусский государственный центр аккредитации» (Государственное предприятие «БГЦА»). Москва: Стандартинформ, 2021. 34 с. Текст: непосредственный.

20. Методы работы с сигналами в фармаконадзоре / О.А. Логиновская, Б.К. Романов, А.С. Колбин [и др.]. Текст: непосредственный // Качественная клиническая практика. 2017. № 3. С. 38 — 42.

21. Мильчаков К.С. Рекомендации по мониторингу информации о безопасности и эффективности лекарственных препаратов в Российской Федерации в контексте фармаконадзора / К.С. Мильчаков. Текст: непосредственный // Безопасность и риск фармакотерапии. 2022. Т. 10. № 3. С. 218 — 229.

22. Мониторинг безопасности лекарственных средств / Б.К. Романов, С.В. Глаголев, В.А. Поливанов, М.В. Леонова. Текст: непосредственный // Безопасность и риск фармакотерапии. 2014. № 3. С. 11 — 14.

23. Новые технологии в электронных системах по фармаконадзору для держателей регистрационных удостоверений / О.А. Логиновская, В.П. Колбатов, Р.В. Сухов [и др.]. DOI: 10.30895/2312-7821-2022-10-3-230-239. Текст: непосредственный // Безопасность и риск фармакотерапии. 2022. Т. 10. № 3. С. 230 — 239.

24. О разработке комплексной экспертной информационной системы испытательных центров / Г.А. Сбоев, Е.М. Рычихина, А.В. Дигтярь, К.А. Кошечкин. Текст: непосредственный // Ведомости Научного центра экспертизы средств медицинского применения. 2012. № 3. С. 35 — 39.

25. Обеспечение качества фармаконадзора в государствах — членах Евразийского экономического союза / Е.А. Егиазарян, И.В. Косова, И.В. Крупнова, Е.В. Неволина. Текст: непосредственный // Вестник Росздравнадзора. 2023. № 2. С. 71 — 76.

26. Обзор: Блокчейн 2018. Текст: электронный // Tadviser.ru: [сайт]. 2018. 13 июня. URL: https://www.tadviser.ru/index.php/Статья:Обзор:_Блокчейн_2018 (дата обращения: 06.02.2025).

27. Общий регламент защиты персональных данных (GDPR) Европейского союза. Текст: электронный // DPO Europe GmbH: [сайт]. URL: https://gdpr-text.com/ru/ (дата обращения: 06.02.2025).

28. Опыт создания системы управления качеством в лабораториях на примере практики внедрения лабораторной информационной системы / В.А. Меркулов, И.В. Сакаева, К.А. Кошечкин, Г.А. Сбоев. Текст: непосредственный // Ведомости Научного центра экспертизы средств медицинского применения 2012. № 4. С. 14 — 18.

29. Орган на чипе: преодолевая разрыв между in vivo и in vitro // Компания «Helicon»: [сайт]. 2022. 13 июля. Текст: электронный. URL: https://helicon.ru/media/inf_art/organ-na-chipe-preodolevaya-razryv-mezhdu-in-vivo-i-in-vitro/ (дата обращения: 06.02.2025).

30. Отличия MES-систем от ERP: различия в функциях и задачах. Текст: электронный // Компания «Adeptik»: [сайт]. URL: https://adeptik.com/blog/otlichie-mes-sistem-ot-erp/ (дата обращения: 06.02.2025).

31. Программа для управления расходами. Текст: электронный // SAP.com: [сайт]. URL: https://www.sap.com/central-asia-caucasus/products/spend-management.html (дата обращения: 06.02.2025).

32. Прожерина Ю. Инновационные технологии в фармацевтике / Ю. Прожерина. DOI: 10.21518/1561-5936-2021-1-63-64. Текст: непосредственный // Ремедиум. 2021. № 1. С. 63 — 64.

33. Различия европейских и евразийских правил надлежащей практики фармаконадзора / А.В. Матвеев, А.Е. Крашенинников, Е.А. Матвеева, Б.К. Романов. Текст: непосредственный // Безопасность и риск фармакотерапии. 2021. № 9 (2). С. 75 — 84.

34. Разумов С. Криптовалюты и блокчейн: история и перспективы рынка / С. Разумов. Текст: электронный // Vc.ru: [сайт]. 2017. 11 авг. URL: https://vc.ru/flood/25774-young-bitcoin (дата обращения: 06.02.2025).

35. Распоряжение Правительства Российской Федерации от 28.07.2017 № 1632-р «Цифровая экономика Российской Федерации» // Кодекс: Электрон. фонд правовой и норматив.-техн. информ. URL: https://docs.cntd.ru/document/436754837 (дата обращения: 12.02.2025).

36. Распоряжение Правительства Российской Федерации от 20.05.2023 № 1315-р «Об утверждении Концепции технологического развития на период до 2030 года» // Кодекс: Электрон. фонд правовой и норматив.-техн. информ. URL: https://docs.cntd.ru/document/1301657597 (дата обращения: 12.02.2025).

37. Распоряжение Правительства Российской Федерации от 07.06.2023 № 1495-р «Стратегия развития фармацевтической промышленности Российской Федерации на период до 2030 года» // Кодекс: Электрон. фонд правовой и норматив.-техн. информ. URL: https://docs.cntd.ru/document/1301897806 (дата обращения: 11.01.2025).

38. Регистрация сообщений о нежелательных лекарственных реакциях при лечении COVID-19 в Российской Федерации и США / Г.И. Сыраева, А.С. Колбин, Т.А. Сергеева, С.А. Мишинова. DOI: 10.32756/0869-5490-2022-1-91-96. Текст: непосредственный // Клиническая фармакология и терапия. 2022. Т. 31. № 1. С. 91 — 96.

39. Решение для лаборатории и всего предприятия — Лабораторная информационная система Starlims. Текст: электронный // 12News.ru [сайт]. URL: https://12news.ru/doc5453.html (дата обращения: 06.02.2025).

40. Роботы в больничных аптеках / Е.И. Юркевич, В.В. Кугач, Е.В. Игнатьева [и др.]. Текст: непосредственный // Вестник фармации. 2019. № 2 (84). С. 74-83.

41. Российская Федерация. ГОСТ Р ИСО 11615-2014. Информатизация здоровья. Идентификация лекарственных средств. Элементы данных и структуры для уникальной идентификации и обмена информацией о регистрируемых лекарственных средствах: издание официальное: утвержден Приказом Федерального агентства по техническому регулированию и метрологии от 2014-11-17 № 1621-ст: введен впервые: дата введения 2015-10-01 / Разработан Федеральным государственным бюджетным учреждением «Центральный научно-исследовательский институт организации и информатизации здравоохранения Минздрава РФ; обществом с ограниченной ответственностью „Корпоративные электронные системы“. Москва: Стандартинформ, 2015. 103 с. Текст: непосредственный.»

42. Российская Федерация. Законы. О персональных данных: Федеральный закон № 152-ФЗ: [принят Государственной думой 8 июля 2006 года: одобрен Советом Федерации 14 июля 2006 года] [в редакции от 8 августа 2024 года]. Текст: непосредственный // Собрание законодательства РФ. 2006. № 31 (ч. I). Ст. 3451; Собрание законодательства РФ. 2024. № 33 (ч. I). Ст. 4929.

43. Российская Федерация. Законы. Об обращении лекарственных средств: Федеральный закон № 61-ФЗ: [принят Государственной думой 24 марта 2010 года: одобрен Советом Федерации 31 марта 2010 года] [в редакции от 26 декабря 2024 года]. Текст: непосредственный // Собрание законодательства РФ. 2010. № 16. Ст. 1815; Собрание законодательства РФ. 2024. № 6. Ст. 764.

44. Российская Федерация. Министерство труда и социальной защиты. Об утверждении профессионального стандарта «Врач-кибернетик»: Приказ Минтруда № 610н (зарегистрирован в Минюсте РФ 25 августа 2017 года, регистрационный № 47946). Текст: электронный // Справочно-правовая система «Гарант»: [сайт]. URL: https://www.garant.ru/products/ipo/prime/doc/71653412/ (дата обращения: 06.02.2025).

45. Российская Федерация. Национальный стандарт. ГОСТ Р ИСО 15189-2015. Лаборатории медицинские. Частные требования к качеству и компетентности: издание официальное: утвержден Приказом Федерального агентства по техническому регулированию и метрологии от 27 апреля 2015 года № 297-ст: дата введения — 2016-06-01: взамен ГОСТ Р ИСО 15189-2009 / Подготовлен Лабораторией проблем клинико-лабораторной диагностики НИИ общественного здоровья и управления здравоохранением ГБОУ ВПО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Министерства здравоохранения Российской Федерации. Москва: Стандартинформ, 2015. 63 с. Текст: непосредственный.

46. Ростова Н.Б. Международные рекомендации и национальные перспективы рационального использования лекарств для решения вопросов лекарственного обеспечения населения / Н.Б. Ростова. Текст: непосредственный // Российский медицинский журнал. 2015. Т. 21. № 2. С. 40 — 45.

47. Симуляционный учебный комплекс «Виртуальный фармацевтический завод для вузов». Текст: электронный // Евразийская академия надлежащих практик: [сайт]. URL: https://gxp-academy.org/vr-factory/ (дата обращения: 06.02.2025).

48. Соблюдение девяти принципов ALCOA+. Текст: электронный // Компания «Меттлер Толедо»: [сайт]. URL: https://www.mt.com/kz/ru/home/library/guides/laboratory-division/lab-data-integrity/Data-Integrity-ALCOA-Poster.html (дата обращения: 06.02.2025).

49. Совершенствование принципов управления сигналами по безопасности лекарственных препаратов для медицинского применения / Б.К. Романов, В.К. Лепахин, Е.О. Журавлева [и др.]. Текст: непосредственный // Безопасность и риск фармакотерапии. 2016. № 1. С. 10 — 20.

50. Совет Евразийской экономической комиссии. Решения. Евразийское экономическое сообщество. Об утверждении Правил надлежащей практики фармаконадзора Евразийского экономического союза: решение Совета Евразийской экономической комиссии от 03.11.2016 № 87 [в редакции от 19.05.2022]. Текст: электронный // Правовой портал Евразийского экономического союза: [сайт]. URL: https://docs.eaeunion.org/documents/306/2594/ (дата обращения: 06.02.2025).

51. Совет Евразийской экономической комиссии. Решения. О Правилах регистрации и экспертизы лекарственных средств для медицинского применения: решение Совета Евразийской экономической комиссии от 03.11.2016 № 78. Текст: электронный // Правовой портал Евразийского экономического союза: [сайт]. URL: https://docs.eaeunion.org/documents/306/2601/ (дата обращения: 06.02.2025).

52. Создание информационной системы поддержки принятия врачебных решений на основе методов доказательной медицины / Г.С. Лебедев, Э.Н. Фартушный, И.А. Шадеркин [и др.]. DOI: 10.29188/2542-2413-2019-5-1-8-16. Текст: непосредственный // Журнал телемедицины и электронного здравоохранения. 2019. Т. 5. № 1. С. 8 — 16.

53. Сравнительный анализ международных баз данных о нежелательных реакциях лекарственных средств / А.С. Казаков, М.А. Дармостукова, Т.М. Букатина [и др.]. DOI: 10.30895/2312-7821-2020-8-3-134-140. Текст: непосредственный // Безопасность и риск фармакотерапии. 2020. Т. 8. № 3. С. 134 — 140.

54. Толочков П. Операции в виртуальной реальности и дизайн лекарств: как VR и AR помогают в медицине / П. Толочков. Текст: электронный // Hightech.fm: [сайт]. 2022. 10 января. URL: https://hightech.fm/2022/01/10/vr-ar-medicine (дата обращения: 06.02.2025).

55. Топ 10: СЭД для фармацевтических компаний. Текст: электронный // Doc-online.ru: [сайт]. URL: https://www.doc-online.ru/tags/sed_dlja_farmacevticheskih_kompanij/ (дата обращения: 06.02.2025).

56. Халимова А.А. «Органы-на-чипе»: оценка перспектив использования в фармацевтической отрасли / А.А. Халимова, А.В. Коваленко, Г.В. Парамонов. Текст: электронный // Медико-фармацевтический журнал «Пульс». 2022. Т. 24. № 5. С. 81 — 87. URL: https://www.elibrary.ru/item.asp?id=48501002 (дата обращения: 06.02.2025).

57. Цифровая трансформация фармацевтических компаний в условиях импортозамещения / К.А. Кошечкин, А.А. Игнатьев, Г.С. Лебедев, Э.Н. Фартушный. Текст: непосредственный // Ремедиум. 2022. Т. 26. № 3. С. 255 — 261.

58. Цифровая трансформация: ожидания и реальность: Докл. к XXIII Ясинской (Апрельской) Междунар. науч. конф. по проблемам развития экономики и общества. Москва, 2022 г. [Текст] / Г.И. Абдрахманова, С.А. Васильковский, К.О. Вишневский, М.А. Гершман, Л.М. Гохберг и др.; Рук. авт. кол. П.Б. Рудник; Нац. исслед. ун-т «Высшая школа экономики». М.: Изд. дом Высшей школы экономики, 2022. 221 с.

59. Чем различаются блокчейн и распределенный реестр? Текст: электронный // Aiz.com: [сайт]. URL: https://aiz.com/documentation/articles/blockchain/ (дата обращения: 06.02.2025).

60. Что такое «орган на чипе»? Текст: электронный // Evercare.ru: [сайт]. 2016. 28 июня. URL: https://evercare.ru/organ-on-chip (дата обращения: 06.02.2025).

61. Что такое IoT, или Интернет вещей. Текст: электронный // CoinSpot.io: [сайт]. 2016. 16 дек. URL: https://coinspot.io/beginners/chto-takoe-iot-ili-internet-veshhej/ (дата обращения: 06.02.2025).

62. Что такое технология цифрового двойника? Текст: электронный // Amazon Web Services: [сайт]. URL: https://aws.amazon.com/ru/what-is/digital-twin/ (дата обращения: 06.02.2025).

63. Электронный рецепт: как это работает. Текст: электронный // Pharmedu.ru: [сайт]. 2014. 21 сент. URL: http://pharmedu.ru/elektronnyj-recept-kak-eto-rabotaet/ (дата обращения: 06.02.2025).

64. AR/VR приложения для фармакологии. Текст: электронный // Bigdreamlab.kz: [сайт]. 2021. 22 июня. URL: https://bigdreamlab.kz/blog/ar-vr-prilozheniya-dlya-farmakologii/ (дата обращения: 06.02.2025).

65. Digital-каналы в системе продвижения препаратов на российском фармацевтическом рынке / Е.Е. Чупандина, Г.Т. Глембоцкая, А.Б. Горячев, А.Ю. Родивилова. Текст: непосредственный // Фармация. 2020. Т. 69. № 4. С. 18 — 25.

66. Robomed Network запускает платформу медуслуг на базе блокчейна. Текст: электронный // ItWeek. 2018. 20 нояб. URL: https://www.itweek.ru/blockchain/news-company/detail.php?ID=204320 (дата обращения: 06.02.2025).

67. VR для медицины и фармацевтики // Компания «LikeVR.ru»: [сайт]. Текст: электронный. URL: https://likevr.ru/industrii/medicina/vr/ (дата обращения: 06.02.2025).

68. 3D Printing in Pharmaceutical and Medical Applications — Recent Achievements and Challenges / W. Jamróz , J. Szafraniec, M. Kurek, R. Jachowicz. — DOI: 10.1007/s11095-018-2454-x. — Text: unmediated // Pharmaceutical Research. — 2018. Vol. 35. № 9. — P. 176.

69. A Fully Integrated Cloud Based Platform. — Text: electronic // Tradecloud. com: [site]. — URL: https://tradecloud.com/ (date of treatment: 06.02.2025).

70. A guide to manufacturing CAR T cell therapies / P. Vormittag, P. Gunn, P. Ghorashian, M. Pule. — DOI: 10.1016/j.copbio.2018.01.025. Text: unmediated // Current Opinion in Biotechnology. — 2018. — Vol. 53. — P. 164 — 181.

71. Accelerating health data sharing: A solution based on the internet of things and distributed ledger technologies / X. Zheng, L. Sun, B. Zhang [et al.]. Text: electronic // Journal of Medical Internet Research. 2019. Vol. 21. № 6. e13583. P. 1 — 12. URL: https://www.researchgate.net/publication/332717860_Accelerating_Health_Data_Sharing_A_Solution_Based_on_the_Internet_of_Things_and_Distributed_Ledger_Technologies (date of treatment: 06.02.2025).

72. Aileni, R.M. IoMT: A Blockchain Perspective / R.M. Aileni, G. Suciu. — DOI: 10.1007/978-3-030-38677-1_9. — Text: unmediated // Decentralised Internet of Things: A Blockchain Perspective Publisher / eds. M.A. Khan [et al.]. — Springer Nature, 2020. — P. 199 — 215.

73. AI-powered healthcare. — Text: electronic // Xbird.io: [site]. — URL: https://xbird.io/ (date of treatment: 06.02.2025).

74. Applications of Internet of Things in Pharmaceutical Industry / S. Alagarsamy, R. Kandasamy, L. Subbiah, S. Palanisamy. — DOI: 10.2139/ssrn.3441099. — Text: electronic // SSRN Electronic Journal. — 2019. — 24 Aug. — P. 1 — 14. — URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3441099 (date of treatment: 06.02.2025).

75. Artificial intelligence in COVID-19 drug repurposing / Y. Zhou, F. Wang, J. Tang, R. Nussinov, F. Cheng. — DOI: 10.1016/S2589-7500(20)30192-8. — Text: electronic // The Lancet Digital Health. — 2020. — Vol. 2, № 12. — P. 1 — 10. — URL: https://www.researchgate.net/publication/344421996_Artificial_intelligence_in_COVID-19_drug_repurposing (date of treatment: 06.02.2025).

76. Assessment of benefits and risks in development of targeted therapies for cancer — The view of regulatory authorities / F. Pignatti, B. Jonsson, G. Blumenthal, R. Justice. — DOI: 10.1016/j.molonc.2014.10.003. — Text: unmediated // Molecular Oncology. — 2015. — Vol. 9, № 5. — P. 1034 — 1041.

77. Basit, A.W. 3D Printing of Pharmaceuticals and the Role of Pharmacy / A.W Basit, S.J. Trenfield. — Text: electronic // The Pharmaceutical Journal. — 2022. — 30 March. — URL: https://pharmaceutical-journal.com/article/research/3d-printing-of-pharmaceuticals-and-the-role-of-pharmacy (date of treatment: 06.02.2025).

78. Bekele, A. Logistics Management Information System Performance of Program Medicines in Public Health Facilities of East Gojjam Zone, Northwest Ethiopia: A Cross-Sectional Study / A. Bekele, G.T. Anbessa. — DOI: 10.2147/JMDH.S286981. — Text: unmediated // Journal of Multidisciplinary Healthcare. — 2021. — № 14. — P. 81 — 89.

79. Business Software, Business Management Software. — Text: electronic // NetSuite: [site]. — URL: https://www.netsuite.com/portal/home.shtml (date of treatment: 06.02.2025).

80. Byrdwell, W.C. A note on the use of workstation software programs for quantification / W.C. Byrdwell. — DOI: 10.1080/10826076.2019.1637350. — Text: unmediated // Journal of Liquid Chromatography & Related Technologies. — 2019. — Vol. 42, № 17-18. — P. 1 — 5.

81. CBER-Regulated Products: Permanent Discontinuations. — Text: electronic // U.S. Food and Drug Administration (FDA): [official site]. — 2024. — 12 Apr. — URL: https://www.fda.gov/BiologicsBloodVaccines/SafetyAvailability/Shortages/ucm358679.htm (date of treatment: 06.02.2025).

82. Chakka, L.R.J. 3D Printing of Pharmaceuticals for Disease Treatment / L.R.J. Chakka, S. Chede. — DOI: 10.3389/fmedt.2022.1040052. — Text: electronic // Frontiers in Medical Technology. — 2022. — Vol. 4. — № 1040052. — P. 1 — 8. — URL: https://www.researchgate.net/publication/367009681_3D_printing_of_pharmaceuticals_for_disease_treatment (date of treatment: 06.02.2025).

83. CombiStats: What's new? Text: electronic / European Directorate for the Quality of Medicines & HealthCare. — Text: electronic // Council of Europe Portal: [official site]. — URL: https://www.edqm.eu/en/lp-combistats (date of treatment: 06.02.2025).

84. Deciphering Continued Process Verification and Automating for Straightforward Implementation. — Text: electronic // The Cell Culture Dish. — 2021. — 23 Feb. — URL: https://cellculturedish.com/deciphering-continued-process-verification-and-automating-the-process-for-straightforward-implementation/ (date of treatment: 06.02.2025).

85. Digital (CPV) Continued Process Verification Software. — Text: electronic // Valgenesis.com: [site]. — URL: https://www.valgenesis.com/solution/digital-continued-process-verification (date of treatment: 06.02.2025).

86. Digital Twins for Materials / S.R. Kalidindi, M. Buzzy, B.L. Boyce, R. Dingreville. — DOI: 10.3389/fmats.2022.818535. — Text: unmediated // Frontiers in Materials. Frontiers Media S.A. — 2022. — Vol. 9. — P. 818535.

87. Emergence of Pharmaceutical Industry Growth with Industrial IoT Approach / eds. V.E. Balas, V.K. Solanki, R. Kumar. — New York: Academic Press, 2019. — 354 p. — Text: unmediated.

88. FHIR Specification (v5.0.0: R5 — STU). — Text: electronic // HL7.org: [site]. — URL: https://www.hl7.org/fhir/ (date of treatment: 06.02.2025).

89. Going Deeper with Convolutions / C. Szegedy, W. Liu, Y. Jia, [et al.]. — DOI: 10.1109/CVPR.2015.7298594. — Text: electronic // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (07 — 12 June, 2015, Boston, MA, USA). — IEEE Computer Society, 2015. — P. 1 — 12. — URL: https://arxiv.org/pdf/1409.4842 (date of treatment: 06.02.2025).

90. Grønning , N. Data Management in a Regulatory Context / N. Grønning . — DOI: 10.3389/fmed.2017.00114. — Text: electronic // Frontiers in Medicine. — 2017. — Vol. 4, № 114. — P. 1 — 5. — URL: https://www.researchgate.net/publication/318636065_Data_Management_in_a_Regulatory_Context (date of treatment: 06.02.2025).

91. Guideline for Technology Transfer. — Text: electronic // The National Institute of Health Sciences (NIHS): [site]. — URL: http://www.nihs.go.jp/drug/GMP/04BDH0149-2post.pdf (date of treatment: 06.02.2025).

92. Healthcare Blockchain System Using Smart Contracts for Secure Automated Remote Patient Monitoring / K.N. Griggs, O. Ossipova, S. Kohli, [et al.]. — DOI: 10.1007/s10916-018-0982-x. — Text: unmediated // Journal of Medical Systems. — 2018. — Vol. 42, № 7. — P. 130.

93. How Pharma Can Win With RPA. — Text: electronic // Modeln.com: [site]. — 2023. — 11 Oct. — URL: https://www.modeln.com/blog/how-pharma-can-win-with-rpa/ (date of treatment: 06.02.2025).

94. In Silico Consensus Activity Prediction, Rational Synthesis, and Evaluation of Antiglycation and Antiplatelet Activities of 3,6-Disubstituted 1,2,4,5-Tetrazines / R.I. Ishmetova, A.V. Nemtarev, R.A. Bredikhin [et al.]. — Text: unmediated // Russian Chemical Bulletin, International Edition. — 2020. — Vol. 69, № 4. — P. 768 — 773.

95. Industry 4.0 for pharmaceutical manufacturing: Preparing for the smart factories of the future / N.S. Arden, A.C. Fisher, K. Tyner [et al.]. — DOI: 10.1016/j.ijpharm.2021.120554. — Text: unmediated // International Journal of Pharmaceutics. — 2021. — Vol. 602. — P. 120554.

96. Integrating Artificial and Human Intelligence: A Partnership for Responsible Innovation in Biomedical Engineering and Medicine / K. Dzobo, S. Adotey, N.E. Thomford, W. Dzobo. — DOI: 10.1089/omi.2019.0038. — Text: unmediated // OMICS. — 2020. — Vol. 24, № 5. — P. 247 — 263.

97. Intelligent Technologies. — Text: electronic // SAP Business Technology Platform: [site]. — URL: https://www.sap.com/products/intelligent-technologies.html (date of treatment: 06.02.2025).

98. International Quality Management System: [site]. — URL: https://iqms.org.uk/ (date of treatment: 06.02.2025). — Text: electronic.

99. Ionov, N.S. Assessing the Prediction Quality of the Anti-SARS-CoV-2 Activity Using the D3Targets-2019-nCoV Web Service / N.S. Ionov, P.V. Pogodin, V.V. Poroikov.-DOI: 10.18097/BMCRM00140. — Text: electronic // Biomedical Chemistry: Research and Methods. — 2020. — Vol. 3, N. 4. — P. e00140. — URL: https://www.researchgate.net/publication/348030269_Assessing_the_Prediction_Quality_of_the_Anti-SARS-CoV-2_Activity_Using_the_D3Targets-2019-nCoV_Web_Service (date of treatment: 06.02.2025).

100. ITIL 4 Foundation. — Text: electronic // Web.archive.org: [site]. — URL: https://web.archive.org/web/20210830151932/https://itil.press/ (date of treatment: 06.02.2025).

101. Koshechkin, K. Digital systems for ectd creation on the pharmaceutical market of the eurasian economic union / K. Koshechkin, G. Lebedev, S. Zykov. — DOI: 10.1007/978-981-15-5925-9_32. — Text: unmediated // Intelligent Decision Technologies: Proceedings of the 12th KES International Conference on Intelligent Decision Technologies (KES-IDT 2020). — Singapore: Springer, 2020. — Vol. 193. — P. 379 — 389.

102. LabGenius: [site]. — URL: https://labgeni.us (date of treatment: 06.02.2025). — Text: electronic.

103. Leading Quality Management System Quality Creates Business Value // ETQ Reliance: [site]. — URL: https://www.etq.com/ (date of treatment: 06.02.2025). — Text: electronic.

104. Leveraging electronic logistics management information systems to enhance and optimize supply chain response during public health emergencies: lessons from COVID-19 response in Uganda / J.H. Wasswa, H. Oundo, M.O. Oteba [et al.]. — DOI: 10.1186/s40545-023-00517-4. — Text: electronic // Journal of Pharmaceutical Policy and Practice. — 2023. — Vol. 16, № 6. — URL: https://joppp.biomedcentral.com/articles/10.1186/s40545-023-00517-4 (date of treatment: 06.02.2025).

105. Life cycle assessment of fine chemical production: A case study of pharmaceutical synthesis / G. Wernet, S. Conradt, H.P. Isenring [et al.]. — DOI: 10.1007/s11367-010-0151-z // International Journal of Life Cycle Assessment. — 2010. — Vol. 15, № 3. — P. 294 — 303.

106. Manufacturing Execution & Quality Management Software Solutions. — Text: electronic // Mastercontrol.com: [site]. — URL: https://www. mastercontrol.com/ (date of treatment: 06.02.2025).

107. Naci, H. Characteristics of Preapproval and Postapproval Studies for Drugs Granted Accelerated Approval by the US Food and Drug Administration / H. Naci, K.R. Smalley, A.S. Kesselheim. — DOI: 10.1001/jama.2017.9415. — Text: unmediated // JAMA. — 2017. — Vol. 318, № 7. — P. 626 — 636.

108. Nusinersen versus Sham Control in Later-Onset Spinal Muscular Atrophy / E. Mercuri, B.T. Darras, C.A. Chiriboga [et al.]. — DOI: 10.1056/ nejmoa1710504. — Text: unmediated // The New England Journal of Medicine. — 2018. — Vol. 378. № 7. — P. 625-635.

109. Opportunities and Challenges for Digital Twins in Biomedical Research. — Washington: The National Academies Press, 2023. — Text: electronic // National Library of Medicine: [site]. — URL: https://www.ncbi.nlm.nih.gov/books/NBK592664/ (date of treatment: 06.02.2025).

110. Organ-on-a-chip devices: advanced methods in preclinical research. — Text: electronic // PMI Science: [site]. — 2019. — 26 Nov. — URL: https://www.pmiscience.com/ru/research/literature-reviews/organ-on-a-chip/ (date of treatment: 06.02.2025).

111. Organs-on-a-chip: A new paradigm for toxicological assessment and preclinical drug development / D. Bovard, A.R. Iskandar, K. Luettich [et al.]. — DOI: 10.1177/2397847317726351. — Text: unmediated // Toxicology Research and Application. — 2017. — Vol. 1. — P. 1 — 16.

112. Organs-on-Chips with Integrated Electrodes for Trans-Epithelial Electrical Resistance (TEER) Measurements of Human Epithelial Barrier Function / O.Y.F. Henry, R. Villenave, M.J. Cronce [et al.]. — Text: electronic // Lab on a Chip. — 2017. — Vol. 17, № 13. — P. 2264 — 2271.

113. Park, A. Hyperfine wins FDA nod to expand MRI image-sharpening AI / A. Park. — Text: electronic // Fiercebiotech.com: [site]. — 2023. — 12 Oct. — URL: https://www.fiercebiotech.com/medtech/hyperfine-wins-fda-nod-expand-image-sharpening-ai-all-mri-sequences (date of treatment: 06.02.2025).

114. Pawar, R. 3D Printing of Pharmaceuticals: Approach from Bench Scale to Commercial Development / R. Pawar, A. Pawar. — DOI: 10.1186/s43094-022-00439-z. — Text: unmediated // Future Journal of Pharmaceutical Sciences. — 2022. — Vol. 8, № 48. — P. 1 — 17.

115. Pharma 4.0: The Ultimate Guide to Digital Transformation for Pharmaceutical Manufacturing. — Text: electronic // Tulip.com: [site]. — URL: https://tulip.co/ebooks/pharma-4-0/ (date of treatment: 06.02.2025).

116. Pharmaceutical cold chain management: Platform based on a distributed ledger / M. Hulea, O. Rosu, R. Miron, A. Astilean. — DOI: 10.1109/AQTR.2018.8402709. — Text: electronic // 2018 IEEE International Conference on Automation, Quality and Testing, Robotics (24 — 26 May, 2018, Cluj-Napoca, Romania). — 2018. — P. 1 — 6. — URL: https://www.researchgate.net/publication/326702318_Pharmaceutical_cold_chain_management_Platform_based_on_a_distributed_ledger (date of treatment: 06.02.2025).

117. Privacy Protection in Using Artificial Intelligence for Healthcare: Chinese Regulation in Comparative Perspective / C. Wang, L.J. Kricka, V.L. De Vita, X. Zhang. — DOI: 10.3390/healthcare10101878. — Text: unmediated // Healthcare. — 2022. — Vol. 10, № 1878. — P. 1 — 19.

118. QMS 101: Quality Management System (QMS) for Life Sciences. — Text: electronic // Dot Compliance: [site]. — 2022. — 22 Nov. — URL: https://www.dotcompliance.com/ (date of treatment: 06.02.2025).

119. Referentials Management Services (RMS) operating model. — Text: electronic // European Medicines Agency: [site]. — URL: https://www.ema.europa.eu/en/human-regulatory-overview/research-development/data-medicines-iso-idmp-standards-overview/substance-product-organisation-referential-spor-master-data/referentials-management-service-rms (date of treatment: 06.02.2025).

120. Rethinking drug design in the artificial intelligence era / P. Schneider, W.P. Walters, A.T. Plowright [et al.]. — DOI: 10.1038/s41573-019-0050-3. — Text: unmediated // Nature Reviews Drug Discovery. — 2020. — Vol. 19, № 5. — P. 353 — 364.

121. Risk management plans. — Text: electronic // European Medicines Agency: [site]. — URL: https://www.ema.europa.eu/en/risk-management/risk-management-plans (date of treatment: 06.02.2025).

122. Robotics Integrator Powered by AI. — Text: electronic // Vicarious: [site]. — URL: https://www.vicarious.com/ (date of treatment: 06.02.2025).

123. Scope for the Application of Blockchain in the Public Healthcare of the Russian Federation / K.A. Koshechkin, G.S. Klimenko, I.V. Ryabkov, P.B. Kozhin. — DOI: 10.1016/j.procs.2018.08.082. — Text: unmediated // Procedia Computer Science. — 2018. — Vol. 126. — P. 1323 — 1328.

124. Sharma, A. Internet of Things (IoT) in Pharmaceutical Manufacturing, Warehousing, and Supply Chain Management / A. Sharma, J. Kaur, I. Singh. — DOI: 10.1007/s42979-020-00248-2. — Text: electronic // SN Computer Science. — 2020. — Vol. 1, № 232. — P. 1 — 9. — URL: https://www.sci-hub.ru/10.1007/s42979-020-00248-2 (date of treatment: 06.02.2025).

125. Sight Diagnostics: Technology. — Text: electronic // Web.archive.org: [site]. — URL: https://web.archive.Org/web/20220627124528/https://sightdx.com/en/technology (date of treatment: 06.02.2025).

126. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition: Published as a Conference Paper at / K. Simonyan, A. Zisserman. — Text: electronic // 3rd International Conference on Learning Representations, ICLR 2015 (May 7 — 9, 2015, San Diego, CA, USA). — San Diego, 2015. — P. 1 — 14. — URL: https://arxiv.org/pdf/1409.1556 (date of treatment: 06.02.2025).

127. ŒledŸ , P. Protein structure-based drug design: from docking to molecular dynamics / P. ŒledŸ , A. Caflisch. — DOI: 10.1016/j.sbi.2017.10.010. — Text: electronic // Current Opinion in Structural Biology. — 2018. — Vol. 48. — P. 93 — 102. — URL: http://www.biochem-caflisch.uzh.ch/sites/default/files/publist/pdfs/Sledz_Caflisch_CurrOpinStructBiol2018.pdf (date of treatment: 06.02.2025).

128. Standigm and SK Chemicals Repurpose FDA-approved Drug into Rheumatoid Arthritis Candidate and Apply for Patent through their Open Innovation Partnership. — Text: electronic // PR Newswire: [site]. — 2021. — 1 Nov. — URL: https://en.prnasia.com/releases/apac/standigm-and-sk-chemicals-repurpose-fda-approved-drug-into-rheumatoid-arthritis-candidate-and-apply-for-patent-through-their-open-innovation-partnership-305122.shtml (date of treatment: 06.02.2025).

129. Systemic measures and legislative and organizational frameworks aimed at preventing or mitigating drug shortages in 28 European and Western Asian Countries / T. Bochenek, V. Abilova, A. Alkan [et al.]. — DOI: 10.3389/fphar.2017.00942. — Text: electronic // Frontiers in Pharmacology. — 2017. — Vol. 8. — URL: https://www.frontiersin.org/journals/pharmacology/articles/10.3389/fphar.2017.00942/full (date of treatment: 06.02.2025).

130. Tanner, J. Digital Twins in the Chemical Process Industries / J. Tanner, C. Newbery. — Text: electronic // The Chemical Engineer: [site]. — 2022. — 29 September. — URL: https://www.thechemicalengineer.com/features/digital-twins-in-the-chemical-process-industries/ (date of treatment: 06.02.2025).

131. Ten years of marketing approvals of anticancer drugs in Europe: Regulatory policy and guidance documents need to find a balance between different pressures / G. Apolone, R. Joppi, V. Bertele', S. Garattini. — DOI: 10.1038/sj.bjc.6602750. — Text: unmediated // British Journal of Cancer. — 2005. — Vol. 93, № 5. — P. 504 — 509.

132. Ter-Levonian, A.S. Review of machine learning technologies and neural networks in drug synergy combination pharmacological research / A.S. Ter-Levonian, K.A. Koshechkin. — DOI: 10.3897/rrpharmacology.6.49591. — Text: electronic // Research Results in Pharmacology. — 2020. — Vol. 6, № 3. — P. 27 — 32. — URL: https://cyberleninka.ru/article/n/review-of-machine-learning-technologies-and-neural-networks-in-drug-synergy-combination-pharmacological-research (date of treatment: 06.02.2025).

133. The Digital Twin — Your Ingenious Companion for Process Engineering and Smart Production / A. Bamberg, L. Urbas, S. Bröcker , [et al.]. — DOI: 10.1002/ceat.202000562. — Text: unmediated // Chemical Engineering & Technology. — 2021. — Vol. 44, № 19. — P. 954 — 961.

134. Torralba, M.O. Using Technology for Continuous Process Verification 4.0 / M.O. Torralba, B.D. Hayes, M.R. Rueda. — Text: electronic // International Society for Pharmaceutical Engineering (ISPE): [site]. — 2023. — Feb. — URL: https://ispe.org/pharmaceutical-engineering/january-february-2023/using-technology-continuous-process-verification (date of treatment: 06.02.2025).

135. TrackWise Enterprise Quality Management Software. — Text: electronic // Pharmaceuticalonline.com: [site]. — URL: https://www.pharmaceuticalonline.com/doc/trackwise-enterprise-quality-management-0002 (date of treatment: 06.02.2025).

136. Transform the Free Text of Your Clinical Records into Big Data. — Text: electronic // Savana Company: [site]. — URL: https://www.savanamed.com/ (date of treatment: 06.02.2025).

137. Transforming Patient Safety. — Text: electronic // Medaware.com: [site]. — URL: https://www.medaware.com/ (date of treatment: 06.02.2025).

138. Trends in the Approval and Quality Management of Artificial Intelligence Medical Devices in the Republic of Korea / K. Lim, T.-Y. Heo, J. Yun [et al.]. — DOI: 10.3390/diagnostics12020355. — Text: unmediated // Diagnostics. — 2022. — Vol. 12, № 2. — P. 355.

139. Use of real-world evidence in regulatory decisions for rare diseases in the United States — Current status and future directions / J. Wu, C. Wang, S. Toh [et al.]. — DOI: 10.1002/pds.4962 // Pharmacoepidemiology and Drug Safety. John Wiley and Sons Ltd. — 2020. — Vol. 29, № 10. — P. 1213 — 1218.

140. Using Artificial Intelligence & Machine Learning in the Development of Drug and Biological Products. — Text: electronic // U.S. Food and Drug Administration (FDA): [official site]. — 2023. — 31 p. — URL: https://www.fda.gov/media/167973/download (date of treatment: 06.02.2025).

141. Versions of the HL7 Standard. — Text: electronic // Rhapsody Company: [site]. — URL: https://rhapsody.health/resources/hl7-standard-versions/ (date of treatment: 06.02.2025).

142. Vyasa Analytics Introduces Synapse, A Novel «Smart Table» Software Application Powered By Deep Learning AI Technologies. — Text: electronic // PRweb.com: [site]. — 2019. — 28 Oct. — URL: https://www.prweb.com/releases/Vyasa_Analytics_Introduces_Synapse_A_Novel_Smart_Table_Software_Application_Powered_By_Deep_Learning_AI_Technologies/prweb16677978.htm (date of treatment: 06.02.2025).

143. Wen, Q. The application of internet of things technology in pharmaceutical cold chain logistics / Q. Wen, Q. Chen. — DOI: 10.2495/MIIT130791. — Text: unmediated // International conference on Management Innovation and Information Technology. — 2014. — Vol. 61. — P. 617 — 624.

144. What is digital transformation? — Text: electronic // Hewlett-Packard Enterptise: [site]. — URL: https://www.hpe.com/ru/ru/what-is/digital-transformation.html (date of treatment: 06.02.2025).

145. Why Use STATLIA MATRIX? — Text: electronic // Brendan Bioanalytics: [site]. — URL: https://www.brendan.com/ (date of treatment: 06.02.2025).

146. Yu, J. Challenges and opportunities of deep learning-based process fault detection and diagnosis: a review / J. Yu, Y. Zhang. — DOI: 10.1002/pds.4962. — Text: unmediated // Neural Computing and Applications. — 2022. — Vol. 35, № 1. — P. 211 — 252.

147. Koshechkin, K. Implementation of Digital Technologies in Pharmaceutical Products Lifecycle / K. Koshechkin, G. Klimenko, A. Polikarpov. — DOI: 10.1007/978-981-13-8303-8_27. — Text: unmediated // Intelligent Decision Technologies: Proceedings of the 11th KES International Conference on Intelligent Decision Technologies (KES-IDT 2019): Springer, 2019. — Vol. 2. — P. 295 — 305.

---