Bridging the QC–QA Cognitive Handoff: An Agentic Verification Harness for Error Detection, Specification Cross-Checking and Quality Documentation Assembly in Pharmaceutical Quality Assurance

Jede Medizin, die den Weg auf ein Apothekenregal findet, beginnt ihr Leben als ein Versprechen auf Papier. Bevor auch nur eine einzige Pille verpackt wird, muss ein Pharmaunternehmen gegenüber den Regulierungsbehörden nachweisen, dass sein Produkt sicher, rein und genau das ist, was es zu sein vorgibt. Dieser Nachweis erfolgt in Form eines massiven regulatorischen Dossiers, einer Sammlung von tausenden Seiten, die Testergebnisse, Herstellungsprotokolle und Stabilitätsdaten enthält. Der Weg dieser Daten gleicht einem Staffellauf zwischen zwei Teams: den Qualitätskontrollwissenschaftlern, die die Rohzahlen im Labor generieren, und den Qualitätssicherheitsprüfern, die diese Zahlen in den endgültigen Antrag übertragen müssen. Jahrzehntelang war dieser Übergabeprozess ein manueller Vorgang. Ein menschlicher Prüfer setzt sich hin, öffnet einen Laborbericht, findet einen Wert, öffnet das endgültige Dokument und prüft, ob die Zahlen übereinstimmen. Er tut dies für hunderte von Werten und stellt sicher, dass eine Chargennummer an jeder Stelle, an der sie erscheint, identisch ist, dass ein Datum Sinn ergibt und dass ein Ergebnis innerhalb der korrekten Sicherheitsgrenzwerte liegt. Es ist eine Aufgabe von immensem Volumen und hoher Tragweite. Ein einziger Übertragungsfehler, ein vertauschter Dezimalpunkt oder ein vergessenes Ergebnis kann die Zulassung eines lebensrettenden Medikaments verzögern oder, schlimmer noch, ein fehlerhaftes Produkt zu den Patienten gelangen lassen.

Die Herausforderung besteht nicht darin, dass die Mathematik schwierig ist; die Mathematik ist einfach. Die Schwierigkeit liegt in der schieren Anzahl der erforderlichen Prüfungen und der menschlichen Neigung, bei Müdigkeit oder Ablenkung Fehler zu machen. In den letzten Jahren wurde Künstliche Intelligenz als Lösung zur Automatisierung dieser Prüfung vorgeschlagen. Standardmäßige KI-Modelle sind jedoch oft unzuverlässig für diese spezifische Aufgabe. Sie können flüssig formulieren, aber dennoch falsch liegen; sie erfinden Fakten, die plausibel klingen, aber in den Quelldokumenten nicht existieren. Sie könnten eine Zahl falsch berechnen oder versäumen, einen Wert auf seine ursprüngliche Seite zurückzuverfolgen. Für eine regulierte Branche, in der jede Behauptung durch unbestreitbare Beweise gestützt werden muss, reicht ein System, das rät, nicht aus. Die Branche benötigt ein Werkzeug, das wie ein Mensch liest, aber wie eine Maschine rechnet – eines, das niemals von sich aus eine Entscheidung trifft, sondern lediglich potenzielle Fehler für einen qualifizierten Experten zur Überprüfung markiert.

Dies ist das Problem, das ein Team von Forschern mit einem neuen Software-System zu lösen versuchte. Sie versuchten nicht, eine KI zu bauen, die den endgültigen Bericht schreiben oder entscheiden könnte, ob ein Medikament sicher sei. Stattdessen bauten sie einen Verifizierungsharness, einen strukturierten Workflow, der die Rollen des Lesens, des Rechnens und des Entscheidens trennt. In ihrem System fungiert ein Modell der Künstlichen Intelligenz lediglich als Leser. Es scannt die Dokumente und schlägt vor, was eine Zahl oder ein Datum sein könnte. Sobald die KI einen Vorschlag macht, tritt sie sofort beiseite. Ein separates, deterministisches Computerprogramm übernimmt das Ruder. Dieses Programm führt jede Berechnung durch, prüft jedes mathematische Problem und vergleicht jeden vorgeschlagenen Wert mit den strengen Regeln und Grenzwerten, die in den Vorschriften definiert sind. Wenn die Zahlen nicht aufgehen oder wenn ein Wert in einem Dokument einem Wert in einem anderen Dokument widerspricht, markiert das System die Diskrepanz. Schließlich überprüft ein qualifizierter Apotheker jede einzelne Markierung. Der Mensch trifft die endgültige Entscheidung darüber, ob die Markierung ein echter Fehler oder ein Fehlalarm ist. Die KI entscheidet nie; sie schlägt nur vor. Der Code rät nie; er berechnet nur. Der Mensch rät nie; er entscheidet nur.

Um zu testen, ob dieser Ansatz tatsächlich funktioniert, schufen die Forscher eine realistische Testumgebung unter Verwendung von drei authentischen regulatorischen Dossiers eines einzelnen Herstellers. Dies waren reale Dokumente, die hunderte von Datenpunkten enthielten und verschiedene Arten von Medikamenten wie Tabletten und Kapseln abdeckten. Um zu sehen, ob das System Fehler finden konnte, schleuste das Team heimlich spezifische Fehler in Kopien dieser Dokumente ein. Sie pflanzten 332 distinkte Fehler in die drei Dateien ein, die von einer einzelnen vertauschten Ziffer bis hin zu einer Chargennummer, die an zwei Stellen unterschiedlich war, oder einem Ergebnis in der falschen Maßeinheit reichten. Das System wurde dann auf diese Dokumente angewendet, ohne dass ihm gesagt wurde, wo die Fehler versteckt waren. Es musste sie eigenständig finden, indem es sich ausschließlich auf seine Fähigkeit verließ, die Seiten zu lesen, die Daten abzugleichen und die Regeln anzuwenden.

Die Ergebnisse zeigten, dass das System effektiv bei der Detektion der eingeschleusten Fehler war, wenngleich nicht perfekt. Über die drei verschiedenen Dossiers hinweg erkannte das System 84 Prozent der injizierten Fehler, was bedeutet, dass es 52 von ihnen übersah. Im ersten Dossier fand es 95 von 112 Fehlern. Im zweiten fand es 80 von 100. Im dritten fand es 105 von 120. Das System schaffte es, mindestens einen Fehler jeder Art zu finden, nach der es programmiert war, einschließlich fehlender Werte, widersprüchlicher Daten und Ergebnisse, die nicht den Sicherheitsgrenzwerten entsprachen. Dies deutet darauf hin, dass die Architektur der Trennung von Leser und Rechner ein gangbarer Weg ist, um die Komplexität pharmazeutischer Daten zu bewältigen. Das System ließ sich nicht durch die unterschiedlichen Layouts der Dokumente verwirren, obwohl die Forscher anmerken, dass der statistische Test auf Layoutunterschiede aufgrund der Verwendung von nur drei Dossiers eine begrenzte Aussagekraft hat. Es identifizierte konsistent, dass etwas nicht stimmte, in vielen Fällen, aber für die 52 übersehenen Fehler bleibt die Ursache unbekannt; die Forscher konnten nicht feststellen, ob diese auf Lesefehler, Lücken in den Regeln oder Entscheidungen bei der Bewertung zurückzuführen waren.

Die Forscher betonen jedoch vorsorglich, was diese Studie nicht bewiesen hat. Während das System die eingeschleusten Fehler fand, maß die Studie nicht, wie häufig es Fehlalarme auslösen könnte. Da die Forscher das System nicht auf Dokumente anwendeten, die völlig frei von Fehlern waren, können sie nicht sagen, wie oft das System einen korrekten Wert als Fehler markiert hätte. In einem realen Szenario, wenn ein System zu viele Fehlalarme auslöst, könnte dies die menschlichen Prüfer überfordern und die Arbeit langsamer statt schneller machen. Darüber hinaus wurde das System nur einmal auf jedes Dokument angewendet. Es wurde nicht getestet, ob das System das gleiche Ergebnis liefern würde, wenn es dasselbe Dokument ein zweites Mal verarbeiten würde, was eine Grundvoraussetzung für jedes in einem regulierten Umfeld eingesetzte Werkzeug ist. Das Team merkte auch an, dass die Dichte der von ihnen eingeschleusten Fehler wesentlich höher war als die, die typischerweise in echten Einreichungen zu finden ist, was die Fehler möglicherweise leichter auffindbar gemacht hat.

Der bedeutendste Beitrag dieser Arbeit liegt möglicherweise nicht in der Detektionsrate selbst, sondern in dem Entwurf, den sie für die zukünftige Testung solcher Systeme liefert. Die Forscher legten ein detailliertes Protokoll vor, wie man einen fairen Test aufbaut, einschließlich der Erstellung eines Satzes von Dokumenten mit bekannten Fehlern, der Einbindung unabhängiger Experten zur Verifizierung dieser Fehler und der Messung der Systemleistung ohne Voreingenommenheit. Sie betonten, dass Künstliche Intelligenz in der pharmazeutischen Qualität vertrauenswürdig sein kann, wenn sie gegen einen Standard validiert wird, der so streng ist wie die Vorschriften, die sie unterstützen soll. Die Studie kommt zu dem Schluss, dass das System zwar vielversprechend ist, aber noch kein fertiges Produkt für den täglichen Gebrauch darstellt. Es ist ein Proof of Concept, der einen Weg aufzeigt: ein Werkzeug, das die menschliche Intelligenz unterstützt, indem es die schwere Arbeit des Datenabgleichs übernimmt und das endgültige Urteil den qualifizierten menschlichen Experten überlässt, die letztlich für die Patientensicherheit verantwortlich sind. Die Arbeit legt nahe, dass die Zukunft der pharmazeutischen Qualitätssicherung nicht im Ersatz des menschlichen Prüfers liegt, sondern darin, ihm ein schärferes, zuverlässigeres Auge zu geben, um jene Fehler zu entdecken, die durch Volumen und Ermüdung sonst entgehen könnten.