💻 computer science

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

Deze studie stelt een uitgebreid AI-framework voor de farmaceutische productie voor dat voorspellende modellering integreert met uitlegbaarheid, eerlijkheid, kalibratie, driftmonitoring en reglementaire traceerbaarheid om audit-klare, verdedigbare beslissingen op het gebied van kwaliteitsbewaking te waarborgen.

Oorspronkelijke auteurs: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Gepubliceerd 2026-07-22

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van het maken van medicijnen voor als een gigantische, spannende keuken waar chefs (wetenschappers en ingenieurs) elke dag miljarden pillen bakken. In deze keuken zijn de regels strenger dan overal anders op aarde. Als een koekje een beetje aangebrand is, gooi je het misschien gewoon weg. Maar als een pil zelfs maar een klein beetje afwijkt, kan dat iemand die het inneemt pijn doen. Daarom wordt de keuken constant in de gaten gehouden door een team inspecteurs die elke ingrediënt, elke temperatuur en elke stap van het recept controleren. Dit is de wereld van "Good Manufacturing Practice" (GMP), een reeks regels die ervoor zorgt dat elke batch medicijnen veilig en perfect is.

Stel je nu voor dat de keuken zo groot en druk is dat de menselijke chefs niet alle ovens tegelijk in de gaten kunnen houden. Dus halen ze een super-slimme robotassistent (Artificiële Intelligentie) erbij om te helpen. Deze robot kan naar duizenden getallen kijken en raden of een batch pillen slecht zal zijn voordat deze zelfs maar klaar is. Maar hier komt de crux: in een normale keuken, als de robot zegt "dit is slecht", luister je gewoon. In de medicijnkeuken kan de robot niet zomaar "Slecht!" roepen en weglopen. De menselijke chefs en de inspecteurs moeten weten waarom de robot denkt dat het slecht is. Ze moeten de huiswerkopdrachten van de robot kunnen zien, controleren of de robot eerlijk is tegenover alle ovens, en ervoor zorgen dat de robot niet in de war raakt door oude gegevens. Als de robot zijn denken niet duidelijk kan uitleggen, zullen de inspecteurs hem niet vertrouwen en kan de medicatie niet worden vrijgegeven. Dit artikel gaat over het bouwen van een robotassistent die niet alleen raadt, maar ook uitlegt, eerlijk blijft en een perfect dagboek bijhoudt voor de inspecteurs.

Het Papier: Een Robotchef die een Perfect Dagboek Bijhoudt

Dit onderzoekspapier, geschreven door Charles Onyeka Nwamekwe en zijn team van de Nnamdi Azikiwe Universiteit, pakt een groot probleem aan: Hoe maken we Artificiële Intelligentie (AI) veilig en betrouwbaar genoeg om te helpen bij het maken van medicijnen? De auteurs realiseerden zich dat het hebben van een robot die goed is in raden niet genoeg is. Als de robot een "black box" is (een mysterieuze machine waarvan je niet kunt zien hoe hij werkt), is hij nutteloos voor het maken van medicijnen omdat regelgevers (de inspecteurs) hem niet zullen toestaan te werken.

Het team ontwierp een nieuw "framework", wat een soort regelboek en blauwdruk is voor het bouwen van een AI-systeem dat "audit-ready" is. Dit betekent dat de AI op elk moment gecontroleerd kan worden, net als een bankrekening die klaar is voor een audit. Ze bouwden niet alleen een model om fouten te voorspellen; ze bouwden een systeem dat zichzelf controleert op eerlijkheid, zijn eigen logica uitlegt en een gedetailleerd logboek bijhoudt van elke beslissing.

De Ingrediënten: Een Digitale Tweeling van de Fabriek

Om hun idee te testen, creëerden de onderzoekers een enorme digitale simulatie van een farmaceutische fabriek. Ze gebruikten geen echte, levende patiënten of echte medicijnen (wat te riskant zou zijn om mee te experimenten), maar ze gebruikten een gesimuleerde dataset van 1.200 batches aan productiegegevens. Denk aan dit als een videogame-versie van een fabriek waarin ze hun robot konden testen zonder ooit een echte pil in gevaar te brengen.

Deze digitale fabriek volgde alles:

Het Recept: Hoeveel vocht er in het mengsel zat, hoe hard de machine de pillen perste en hoe snel de machine draaide.
De Omgeving: De temperatuur en luchtvochtigheid van de kamer.
De Mensen: Welke operator aan het werk was, welke dienst het was (ochtend, middag of nacht) en welke machine werd gebruikt.
De Uitkomst: Of de batch perfect was of een defect had.

De Magische Truk: De Robot Zichzelf Laten Uitleggen

De kern van hun framework is een speciaal soort AI die een hulpmiddel genaamd SHAP gebruikt. Stel je voor dat je robotassistent niet alleen zegt: "Deze batch is riskant," maar je in plaats daarvan een rapportcijfer overhandigt dat zegt: "Ik denk dat deze batch riskant is omdat het vocht 2% te hoog was, de machine een beetje te veel trilde en de luchtvochtigheid laag was."

In hun tests vond de AI dat granulatievocht (hoe nat het mengsel was) de belangrijkste reden was voor het voorspellen van een probleem, gevolgd door compressiekracht (hoe hard de pillen werden samengedrukt). Door precies te laten zien welke factoren belangrijk waren, stopte de robot met een mysterie te zijn en werd hij een behulpzame partner waar mensen op konden vertrouwen.

De Eerlijkheidscheck: Is de Robot Bevooroordeeld?

Een van de meest creatieve delen van het papier is hoe ze "eerlijkheid" controleerden. Meestal, wanneer mensen praten over AI-eerlijkheid, praten ze over ras of geslacht. Maar in een fabriek ziet eerlijkheid er anders uit. De onderzoekers vroegen: Behandelt de robot elke machine, elke werker en elke dienst gelijkelijk?

Ze ontdekten dat de robot niet altijd eerlijk was. Zo was het bijvoorbeeld iets eerder geneigd om fouten te maken bij het beoordelen van batches van de "Aba Plant" vergeleken met de "Lagos Plant". Het had ook meer moeite met bepaalde "Product Families" (zoals Analgesic Tablets) dan andere. Het papier liet zien dat als je niet voor dit soort zaken controleert, de robot misschien onterecht een machine als "defect" markeert, simpelweg omdat deze ouder is, of een probleem bij de "Nachtdienst" mist omdat hij niet genoeg getraind is op nachtgegevens. Hun framework vangt deze vooroordelen op zodat ze kunnen worden gecorrigeerd voordat de robot echt wordt gebruikt.

De "Drift" Detector: Wanneer de Robot in de War Raakt

Fabrieken veranderen in de loop van de tijd. Machines slijten, grondstoffen veranderen en seizoenen verschuiven. Dit wordt "drift" genoemd. Stel je een robot voor die getraind is om een verse appel te herkennen, maar dan beginnen de appels in de fabriek er iets anders uit te zien omdat er een nieuwe leverancier is. De robot kan in de war raken en denken dat een goede appel slecht is.

De onderzoekers bouwden een "drift monitor" in hun systeem. In hun simulatie volgden ze hoe de gegevens veranderden over een periode van 24 weken. Ze zagen dat de robot rond Week 15 in de war begon te raken, toen de datapatronen significant verschoven. Hun systeem sloeg alarm en vertelde de mensen: "Hé, de wereld is veranderd; we moeten de robot opnieuw trainen!" Dit zorgt ervoor dat de AI niet langzaam fout wordt zonder dat iemand het merkt.

Het Eindoordeel: De Robot die een Dagboek Bijhoudt

De belangrijkste bevinding van het papier is dat de beste AI voor het maken van medicijnen niet noodzakelijkerwijs de AI is die het meest nauwkeurig is in het raden. Het is de AI die gekalibreerd, uitlegbaar en eerlijk is.

Ze testten verschillende soorten AI-modellen. De winnaar was een model genaamd XGBoost. Het raadde niet alleen 90% van de tijd goed, maar hield ook een perfect dagboek bij. Voor elke batch die het beoordeelde, legde het vast:

De gebruikte modelversie.
De exacte reden voor de beslissing (de "Top Explanation Driver").
Of het eerlijk en gekalibreerd was.
Wie de menselijke beoordelaar was.
Welke actie werd ondernomen (zoals een "CAPA", wat een chique term is voor een "plan om het te fixen").

In hun simulatie had 100% van de geauditeerde batches een volledig bewijstraject. Het systeem toonde aan dat in 93,12% van de gevallen de documentatie volledig genoeg was zodat een inspecteur kon zeggen: "Ja, dit is veilig."

Wat Dit Betekent voor de Toekomst

De auteurs benadrukken voorzichtig dat dit een simulatie was. Ze hebben deze robot nog niet in een echte, levende fabriek geplaatst. Ze suggereren dat de volgende stap is om het in echte fabrieken te testen met echte machines en echte werkers.

Echter, het papier bewijst een essentieel punt: Je kunt niet zomaan een slimme computer in een medicijnfabriek pluggen en hopen op het beste. Je hebt een systeem nodig dat vanaf de basis is gebouwd om transparant te zijn. De robot moet in staat zijn om te zeggen: "Ik denk dat dit slecht is vanwege X, Y en Z," en hij moet kunnen bewijzen dat hij niet oneerlijk is tegenover de nachtdienst of de oude machines.

Door dit "audit-ready" framework te creëren, hebben de onderzoekers een blauwdruk geleverd voor hoe AI een vertrouwde partner kan worden in het redden van levens, in plaats van slechts een mysterieus zwart gat dat gokken doet. Het is een stap naar een toekomst waarin technologie ons helpt medicijnen te maken die niet alleen effectief zijn, maar ook veilig, eerlijk en volledig begrijpelijk.

Technische Samenvatting: Raamwerk voor Kunstmatige Intelligentie voor Audit-gereed Farmaceutisch Productieproces

Probleemstelling
Farmaceutische productie opereert onder strikte regels voor Good Manufacturing Practice (GMP), waarbij productkwaliteit, batch-besluitvorming en patiëntveiligheid afhangen van de consistente controle van Kritische Procesparameters (CPP's) en Kritische Kwaliteitseigenschappen (CQA's). Hoewel Kunstmatige Intelligentie (AI) en Machine Learning (ML) potentieel bieden voor real-time kwaliteitsvoorspelling en predictief onderhoud, stuiten huidige implementaties op een kritische barrière in gereguleerde omgevingen: voorspellende nauwkeurigheid alleen is onvoldoende. Een model kan risico's op defecten correct identificeren, maar als de voorspelling een gebrek aan uitlegbaarheid vertoont, niet geaudit kan worden, niet kan aantonen dat het eerlijk is over verschillende productiecontexten, of geen kalibratie mist, blijft het ongeschikt voor kritische GMP-beslissingen. Bovendien behandelt de bestaande literatuur uitlegbaarheid, eerlijkheid en audit-documentatie vaak als afzonderlijke activiteiten in plaats van een geïntegreerde governance-structuur. Er is een aanzienlijk gat in uniforme raamwerken die tegelijkertijd voorspelling, uitlegbaarheid, eerlijkheid, kalibratie, drift-monitoring en menselijke verantwoording binnen één operationele levenscyclus aanpakken.

Methodologie
De studie stelt een conceptueel en simulatie-klaar raamwerk voor een "Betrouwbaar AI"-systeem ( $\mathcal{T}_{AI}$ ) dat specifiek is ontworpen voor audit-gereede farmaceutische productie. Het raamwerk is gestructureerd in vier geïntegreerde lagen:

GMP-conforme Datalaag ( $\mathcal{D}_{GMP}$ ): Maakt gebruik van een batch-niveau dataset van 1.200 records van drie productiefaciliteiten. De data bevat CPP's (bijv. vochtgehalte bij granulatie, compressiekracht), CQA's (bijv. tabletgewicht, hardheid), omgevingsvariabelen en productiecontext (operator, dienst, machine, fabriek, materiaallot).
Predictieve Modelleringlaag ( $\mathcal{M}_{AI}$ ): Gebruikt machine learning-modellen (XGBoost, LightGBM, Logistische Regressie, etc.) waarbij het optimalisatiedoel verder gaat dan voorspellingsverlies ( $L_{pred}$ ) en ook $L_{fair}$ (eerlijkheidsverlies), $L_{cal}$ (kalibratieverlies), $L_{exp}$ (uitlegbaarheidsstabiliteit) en $L_{reg}$ (regulatieve governance-strafpunten) omvat.
Betrouwbaarheids- en Governancelaag ( $\mathcal{T}_{TR}$ ): Integreert SHAP-gebaseerde uitlegbaarheid, Expected Calibration Error (ECE) beoordeling, manufacturing-specifieke eerlijkheidsanalyse (het evalueren van prestatiekloof tussen operationele groepen zoals diensten en machines) en drift-monitoring met behulp van statistische divergentiematen (Population Stability Index, Jensen–Shannon divergentie).
Audit-gereede Besluitondersteuningslaag ( $\mathcal{D}_{AUD}$ ): Koppelt automatisch elke AI-voorspelling aan de oorspronkelijke batch-record, modelversie, uitleg, kalibratiestatus en Corrective and Preventive Action (CAPA) records om volledige traceerbaarheid te garanderen.

Het raamwerk werd geëvalueerd met een samengestelde set metrieken: voorspellende prestaties (AUC, Macro-F1), betrouwbaarheid (kalibratiefout, eerlijkheidskloof, drift-robuustheid) en effectiviteit van governance (audit-volledigheid, CAPA-koppeling, menselijke interventie-ratio's).

Belangrijkste Resultaten

Modelprestaties: XGBoost vertoonde het sterkste algemene profiel met een AUC van ~0,91 en een samengestelde betrouwbaarheidsscore van 0,89. Hoewel Logistische Regressie een hoge uitlegbaarheidsstabiliteit (0,90) bood, leed het aan lagere voorspellende prestaties (AUC ~0,72).
Kalibratie en Uitlegbaarheid: Kalibratiecurves gaven aan dat waarschijnlijkheden over het algemeen betrouwbaar waren, hoewel afwijkingen van 0,05–0,08 werden waargenomen in risicovolle categorieën met een gemiddeld risico. SHAP-analyse identificeerde vochtgehalte bij granulatie als de dominante drijfveer van kwaliteitsrisico (gemiddelde |SHAP| = 0,17), gevolgd door compressiekracht en relatieve vochtigheid.
Eerlijkheidsanalyse: De studie toonde aan dat eerlijkheidsrisico's niet uniform zijn. De groep "Product Family" vertoonde de hoogste eerlijkheidskloof (0,13), gevolgd door de Plant en Operator groepen. Machine- en Shift-groepen vertoonden stabieler gedrag. Dit bevestigt dat modelprestaties significant variëren over verschillende operationele contexten, wat groepsspecifieke monitoring noodzakelijk maakt.
Drift en Audit-gereedheid: Drift-detectie identificeerde succesvol distributieverschuivingen, waarbij de Population Stability Index (PSI) de alert-drempels overschreed in latere productievensters. Het audit-dashboard toonde 100% modelversie-traceerbaarheid en 93,12% audit-volledigheid. In de traceringsmatrix werd alle batches succesvol gekoppeld aan CAPA-records en definitieve besluitvorming, waarbij de audit-volledigheid varieerde van 81,98% tot 100%.

Betekenis en Claims
Het artikel claimt de eerste operationele vertaling te bieden van principes van betrouwbare AI naar een verenigd, GMP-conform raamwerk voor de farmaceutische productie. De primaire betekenis ligt in het herdefiniëren van AI, niet als een "black-box" automatiseringstool, maar als een gereguleerd kwaliteit-governance systeem.

De auteurs stellen dat voor AI om verdedigbaar te zijn tijdens inspecties door toezichthouders, elke voorspelling moet worden behandeld als een "kwaliteitsrelevante beslissingsobject" dat tegelijkertijd aan zeven criteria voldoet: voorspellende betrouwbaarheid, uitlegbaarheid, kalibratiekwaliteit, operationele eerlijkheid, drift-stabiliteit, CAPA-traceerbaarheid en menselijke review-verantwoording. Door deze elementen te integreren, positioneert het raamwerk AI als een systeem dat in staat is de audit-gereedheid en het vertrouwen van toezichthouders te verbeteren, waarbij men verder gaat dan eenvoudige nauwkeurigheidsmetrieken om te waarborgen dat door AI ondersteunde beslissingen transparant, eerlijk en traceerbaar zijn gedurende de gehele productlevenscyclus.

Beperkingen
De studie erkent dat het raamwerk is gevalideerd met een simulatie-klare industriële dataset in plaats van een live, multi-site GMP-implementatie. Toekomstig werk is vereist om het systeem te testen met real-time productiedata over diverse doseringsvormen en apparatuurplatforms, en om prospectieve QA-reviewerstudies en regulator-gerichte audit-pakketten te integreren.