💻 computer science

Artificial Intelligence Framework for Audit-Ready Pharmaceutical Manufacturing Under Explainability, Fairness, and Regulatory Transparency Constraints

Cette étude propose un cadre d'IA complet pour la fabrication pharmaceutique qui intègre la modélisation prédictive avec l'explicabilité, l'équité, le calibrage, la surveillance de la dérive et la traçabilité réglementaire afin de garantir des décisions de gouvernance de la qualité défendables et prêtes pour les audits.

Auteurs originaux : Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Publié 2026-07-22

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde de la fabrication de médicaments comme une cuisine géante et à enjeux élevés où des chefs (scientifiques et ingénieurs) cuisinent des milliards de pilules chaque jour. Dans cette cuisine, les règles sont plus strictes que partout ailleurs sur Terre. Si un cookie est légèrement brûlé, vous pouvez simplement le jeter. Mais si une pilule est même un tout petit peu décalée, elle pourrait blesser quelqu'un qui la prend. C'est pourquoi la cuisine est constamment surveillée par une équipe d'inspecteurs qui vérifie chaque ingrédient, chaque température et chaque étape de la recette. C'est le monde des « Bonnes Pratiques de Fabrication » (BPF), un ensemble de règles qui garantit que chaque lot de médicament est sûr et parfait.

Maintenant, imaginez que la cuisine soit si grande et si occupée que les chefs humains ne peuvent pas surveiller tous les fours à la fois. Ils font donc appel à un assistant robotique super intelligent (Intelligence Artificielle) pour les aider. Ce robot peut observer des milliers de chiffres et deviner si un lot de pilules sera mauvais avant même qu'il ne soit terminé. Mais voici le piège : dans une cuisine normale, si le robot dit « c'est mauvais », vous l'écoutez, c'est tout. Dans la cuisine de médicaments, le robot ne peut pas simplement crier « Mauvais ! » et s'en aller. Les chefs humains et les inspecteurs ont besoin de savoir pourquoi le robot pense que c'est mauvais. Ils ont besoin de voir les devoirs du robot, de vérifier si le robot est équitable envers tous les fours, et de s'assurer que le robot ne s'embrouille pas avec de vieilles données. Si le robot ne peut pas expliquer sa pensée clairement, les inspecteurs ne lui feront pas confiance, et le médicament ne pourra pas être libéré. Ce document traite de la construction d'un assistant robotique qui ne se contente pas de deviner, mais qui explique également, reste équitable et tient un journal parfait pour les inspecteurs.

Le document : Un robot chef qui tient un journal parfait

Ce document de recherche, écrit par Charles Onyeka Nwamekwe et son équipe de l'Université Nnamdi Azikiwe, s'attaque à un grand problème : comment rendre l'Intelligence Artificielle (IA) assez sûre et digne de confiance pour aider à fabriquer des médicaments ? Les auteurs ont réalisé que le simple fait d'avoir un robot doué pour deviner ne suffit pas. Si le robot est une « boîte noire » (une machine mystérieuse dont on ne voit pas le fonctionnement), il est inutile pour la fabrication de médicaments car les régulateurs (les inspecteurs) ne le laisseront pas travailler.

L'équipe a conçu un nouveau « cadre de travail » (framework), qui est comme un livre de règles et un plan, pour construire un système d'IA qui est « prêt pour l'audit ». Cela signifie que l'IA est prête à être inspectée à tout moment, tout comme un compte bancaire prêt pour un audit. Ils n'ont pas seulement construit un modèle pour prédire les erreurs ; ils ont construit un système qui se vérifie lui-même pour l'équité, explique sa propre logique et tient un registre détaillé de chaque décision.

Les ingrédients : Un jumeau numérique de l'usine

Pour tester leur idée, les chercheurs ont créé une simulation numérique massive d'une usine pharmaceutique. Ils n'ont pas utilisé de vrais patients ou de vrais médicaments (ce qui serait trop risqué de manipuler), mais ils ont utilisé un ensemble de données simulées de 1 200 lots de registres de fabrication. Considérez cela comme une version « jeu vidéo » d'une usine où ils pouvaient tester leur robot sans jamais risquer un vrai médicament.

Cette usine numérique suivait tout :

La Recette : Quelle était l'humidité dans le mélange, quelle force la machine exerçait pour presser les pilules, et à quelle vitesse la machine tournait.
L'Environnement : La température et l'humidité de la pièce.
Les Personnes : Quel opérateur travaillait, quelle était l'équipe (matin, après-midi ou nuit) et quelle machine était utilisée.
Le Résultat : Si le lot était parfait ou présentait un défaut.

Le tour de magie : Faire en sorte que le robot s'explique

Le cœur de leur cadre de travail est un type spécial d'IA qui utilise un outil appelé SHAP. Imaginez si votre assistant robotique ne se contentait pas de dire : « Ce lot est risqué », mais vous remettait plutôt un bulletin de notes qui dirait : « Je pense que ce lot est risqué parce que l'humidité était 2 % trop élevée, la machine vibrait un peu trop et l'humidité était basse. »

Dans leurs tests, l'IA a découvert que l'humidité de granulation (à quel point le mélange était humide) était la raison principale pour prédire un problème, suivie par la force de compression (la force avec laquelle les pilules étaient écrasées). En montrant exactement quels facteurs importaient, le robot a cessé d'être un mystère pour devenir un partenaire utile en qui les humains pouvaient avoir confiance.

Le contrôle de l'équité : Le robot est-il biaisé ?

L'une des parties les plus créatives du document est la façon dont ils ont vérifié l'« équité ». Habituellement, quand on parle d'équité de l'IA, on parle de race ou de genre. Mais dans une usine, l'équité ressemble à autre chose. Les chercheurs ont demandé : Le robot traite-t-il chaque machine, chaque travailleur et chaque équipe de manière égale ?

Ils ont découvert que le robot n'était pas toujours équitable. Par exemple, il était légèrement plus susceptible de commettre des erreurs en jugeant les lots de l'« Usine d'Aba » par rapport à l'« Usine de Lagos ». Il avait également plus de mal avec certaines « Familles de Produits » (comme les comprimés analgésiques) qu'avec d'autres. Le document montre que si vous ne vérifiez pas cela, le robot pourrait injustement signaler une machine comme « en panne » simplement parce qu'elle est plus ancienne, ou rater un problème sur l'« Équipe de Nuit » parce qu'il n'a pas été entraîné sur assez de données de nuit. Leur cadre de travail détecte ces biais afin qu'ils puissent être corrigés avant que le robot ne soit utilisé pour de vrai.

Le détecteur de « Dérive » : Quand le robot s'embrouille

Les usines changent avec le temps. Les machines s'usent, les matières premières changent et les saisons tournent. C'est ce qu'on appelle la « dérive » (drift). Imaginez un robot entraîné à reconnaître une pomme fraîche, puis les pommes de l'usine commencent à être légèrement différentes à cause d'un nouveau fournisseur. Le robot pourrait s'embrouiller et penser qu'une bonne pomme est mauvaise.

Les chercheurs ont intégré un « moniteur de dérive » dans leur système. Dans leur simulation, ils ont observé comment les données changeaient sur 24 semaines. Ils ont vu que le robot commençait à s'embrouiller autour de la semaine 15, lorsque les modèles de données ont changé de manière significative. Leur système a sonné l'alarme, disant aux humains : « Hé, le monde a changé ; nous devons réentraîner le robot ! » Cela garantit que l'IA ne devient pas lentement erronée sans que personne ne s'en aperçoive.

Le verdict final : Le robot qui tient un journal

La conclusion la plus importante du document est que le meilleur IA pour fabriquer des médicaments n'est pas nécessairement celle qui est la plus précise pour deviner. C'est celle qui est calibrée, explicable et équitable.

Ils ont testé plusieurs types de modèles d'IA. Le vainqueur était un modèle appelé XGBoost. Il ne se contentait pas de deviner juste 90 % du temps ; il tenait aussi un journal parfait. Pour chaque lot qu'il jugeait, il enregistrait :

La version du modèle utilisée.
La raison exacte de sa décision (le « principal facteur explicatif »).
S'il était équitable et calibré.
Qui était le réviseur humain.
Quelle action a été entreprise (comme une « CAPA », qui est un terme technique pour un « plan de correction »).

Dans leur simulation, 100 % des lots qu'ils ont audités possédaient une trace complète de preuves. Le système a montré que 93,12 % du temps, la documentation était suffisamment complète pour qu'un inspecteur puisse dire : « Oui, c'est sûr ».

Ce que cela signifie pour l'avenir

Les auteurs précisent avec prudence qu'il s'agit d'une simulation. Ils ne l'ont pas encore placé dans une véritable usine avec de vraies machines et de vrais travailleurs. Ils suggèrent que la prochaine étape est de tester cela dans des usines réelles avec de vraies machines et de vrais travailleurs.

Cependant, le document prouve un point vital : on ne peut pas simplement brancher un ordinateur intelligent dans une usine de médicaments et espérer que tout se passe bien. Vous avez besoin d'un système qui est construit dès le départ pour être transparent. Le robot doit être capable de dire : « Je pense que c'est mauvais à cause de X, Y et Z », et il doit être capable de prouver qu'il n'est pas injuste envers l'équipe de nuit ou les vieilles machines.

En créant ce cadre de travail « prêt pour l'audit », les chercheurs ont fourni un plan pour comment l'IA peut devenir un partenaire de confiance dans le sauvetage de vies, plutôt qu'une simple boîte noire mystérieuse qui fait des suppositions. C'est un pas vers un avenir où la technologie nous aide à fabriquer des médicaments qui sont non seulement efficaces, mais aussi sûrs, équitables et totalement compréhensibles.

Résumé Technique : Cadre d'Intelligence Artificielle pour une Fabrication Pharmaceutique Prête pour l'Audit

Énoncé du Problème
La fabrication pharmaceutique opère sous des réglementations strictes de Bonnes Pratiques de Fabrication (BPF) où la qualité du produit, la décision sur les lots et la sécurité des patients reposent sur le contrôle constant des Paramètres Critiques de Procédé (CPP) et des Attributs Qualité Critiques (CQA). Bien que l'Intelligence Artificielle (IA) et l'Apprentissage Automatique (ML) offrent un potentiel pour la prédiction de la qualité en temps réel et la maintenance prédictive, les déploiements actuels se heurtent à une barrière critique dans les environnements réglementés : la précision prédictive seule est insuffisante. Un modèle peut identifier correctement les risques de défauts, mais si la prédiction manque d'explicabilité, ne peut être auditée, échoue à démontrer l'équité à travers différents contextes de production ou manque de calibration, il reste inapproprié pour les décisions critiques liées aux BPF. De plus, la littérature existante traite souvent l'explicabilité, l'équité et la documentation d'audit comme des activités distinctes plutôt que comme une structure de gouvernance intégrée. Il existe un écart significatif dans les cadres unifiés qui abordent simultanément la prédiction, l'explicabilité, l'équité, la calibration, la surveillance de la dérive et la responsabilité humaine au sein d'un cycle de vie opérationnel unique.

Méthodologie
L'étude propose un cadre conceptuel et prêt pour la simulation d'un système d'« IA de Confiance » ( $\mathcal{T}_{AI}$ ) conçu spécifiquement pour la fabrication pharmaceutique prête pour l'audit. Le cadre est structuré en quatre couches intégrées :

Couche de Données Conforme aux BPF ( $\mathcal{D}_{GMP}$ ) : Utilise un ensemble de données de niveau lot de 1 200 enregistrements provenant de trois usines de fabrication. Les données incluent les CPP (ex: humidité de granulation, force de compression), les CQA (ex: poids des comprimés, dureté), les variables environnementales et le contexte de production (opérateur, quart, machine, usine, lot de matière première).
Couche de Modélisation Prédictive ( $\mathcal{M}_{AI}$ ) : Emploie des modèles d'apprentissage automatique (XGBoost, LightGBM, Régression Logistique, etc.) où l'objectif d'optimisation s'étend au-delà de la perte de prédiction ( $L_{pred}$ ) pour inclure la perte d'équité ( $L_{fair}$ ), la perte de calibration ( $L_{cal}$ ), la perte de stabilité d'explication ( $L_{exp}$ ) et les pénalités de gouvernance réglementaire ( $L_{reg}$ ).
Couche de Confiance et de Gouvernance ( $\mathcal{T}_{TR}$ ) : Intègre l'explicabilité basée sur SHAP, l'évaluation de l'Erreur de Calibration Attendue (ECE), l'analyse d'équité spécifique à la fabrication (évaluant les écarts de performance entre les groupes opérationnels tels que les quarts et les machines) et la surveillance de la dérive utilisant des mesures de divergence statistique (Indice de Stabilité de la Population, divergence de Jensen–Shannon).
Couche de Support à la Décision Prête pour l'Audit ( $\mathcal{D}_{AUD}$ ) : Lie automatiquement chaque prédiction de l'IA à son dossier de lot d'origine, sa version de modèle, son explication, son statut de calibration et ses enregistrements CAPA afin d'assurer une traçabilité complète.

Le cadre a été évalué à l'aide d'un ensemble composite de métriques : performance prédictive (AUC, Macro-F1), fiabilité (erreur de calibration, écart d'équité, robustesse à la dérive) et efficacité de la gouvernance (complétude de l'audit, liaison CAPA, taux de dépassement humain).

Résultats Clés

Performance du Modèle : XGBoost a démontré le profil global le plus solide avec une AUC de ~0,91 et un score de fiabilité composite de 0,89. Bien que la Régression Logistique ait offert une haute stabilité d'explication (0,90), elle a souffert d'une performance prédictive plus faible (AUC ~0,72).
Calibration et Explicabilité : Les courbes de calibration ont indiqué que les probabilités étaient généralement fiables, bien que des écarts de 0,05–0,08 aient été observés dans les classes de risque intermédiaire. L'analyse SHAP a identifié l'humidité de granulation comme le principal moteur du risque de qualité (moyenne |SHAP| = 0,17), suivie par la force de compression et l'humidité relative.
Analyse d'Équité : L'étude a révélé que les risques d'équité ne sont pas uniformes. Le groupe « Famille de Produits » a présenté l'écart d'équité le plus élevé (0,13), suivi des groupes Usine et Opérateur. Les groupes Machine et Quart ont montré un comportement plus stable. Cela confirme que la performance du modèle varie considérablement selon les contextes opérationnels, nécessissant une surveillance spécifique par groupe.
Dérive et État de Préparation à l'Audit : La détection de dérive a identifié avec succès des changements de distribution, l'Indice de Stabilité de la Population (PSI) franchissant les seuils d'alerte dans les fenêtres de production ultérieures. Le tableau de bord d'audit a montré une traçabilité de 100 % des versions de modèles et une complétude d'audit de 93,12 %. Dans la matrice de traçabilité, tous les lots examinés ont été liés avec succès aux enregistrements CAPA et aux décisions finales, avec une complétude d'audit allant de 81,98 % à 100 %.

Signification et Revendications
L'article prétend fournir la première traduction opérationnelle des principes d'IA de confiance dans un cadre unifié et conforme aux BPF pour la fabrication pharmaceutique. Sa principale signification réside dans le recadrage de l'IA, non pas comme un outil d'automatisation de type « boîte noire », mais comme un système de gouvernance de la qualité réglementé.

Les auteurs affirment que pour que l'IA soit défendable lors des inspections réglementaires, chaque prédiction doit être traitée comme un « objet de décision pertinent pour la qualité » satisfaisant simultanément sept critères : fiabilité prédictive, adéquation de l'explication, qualité de la calibration, équité opérationnelle, stabilité de la dérive, traçabilité CAPA et responsabilité de la revue humaine. En intégrant ces éléments, le cadre positionne l'IA comme un système capable d'améliorer la préparation aux audits et la confiance réglementaire, allant au-delà des simples mesures de précision pour garantir que les décisions soutenues par l'IA sont transparentes, équitables et traçables tout au long du cycle de vie du produit.

Limites
L'étude reconnaît que le cadre a été validé à l'aide d'un ensemble de données industrielles prêtes pour la simulation plutôt que par un déploiement GMP multi-sites en direct. Des travaux futurs sont nécessaires pour tester le système avec des données de production en temps réel à travers diverses formes galéniques et plateformes d'équipement, et pour intégrer des études prospectives de réviseurs d'assurance qualité ainsi que des dossiers d'audit destinés aux régulateurs.