💻 computer science

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

Este estudo propõe uma estrutura de IA abrangente para a fabricação farmacêutica que integra modelagem preditiva com explicabilidade, equidade, calibração, monitoramento de desvio e rastreabilidade regulatória para garantir decisões de governança de qualidade auditáveis e defensáveis.

Autores originais: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Publicado 2026-07-22

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Charles Onyeka Nwamekwe, Nkemakonam Chidiebube Igbokwe, Chukwuma Godfrey Ono

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mundo da fabricação de medicamentos como uma cozinha gigante e de alto risco onde chefs (cientistas e engenheiros) estão assando bilhões de pílulas todos os dias. Nesta cozinha, as regras são mais rígidas do que em qualquer outro lugar da Terra. Se um biscoito estiver levemente queimado, você pode apenas jogá-lo fora. Mas se uma pílula estiver minimamente errada, ela pode ferir alguém que a tome. Por causa disso, a cozinha é constantemente vigiada por uma equipe de inspetores que verifica cada ingrediente, cada temperatura e cada etapa da receita. Este é o mundo das "Boas Práticas de Fabricação" (BPF), um conjunto de regras que garante que cada lote de medicamento seja seguro e perfeito.

Agora, imagine que a cozinha é tão grande e movimentada que os chefs humanos não conseguem vigiar todos os fornos ao mesmo tempo. Então, eles trazem um assistente robô superinteligente (Inteligência Artificial) para ajudar. Este robô pode olhar para milhares de números e prever se um lote de pílulas será ruim antes mesmo de ser finalizado. Mas aqui está o detalhe: em uma cozinha normal, se o robô diz "isso é ruim", você apenas escuta. Na cozinha de medicamentos, o robô não pode simplesmente gritar "Ruim!" e ir embora. Os chefs humanos e os inspetores precisam saber por que o robô acha que aquilo é ruim. Eles precisam ver a lição de casa do robô, verificar se o robô está sendo justo com todos os fornos e garantir que o robô não esteja se confundindo com dados antigos. Se o robô não conseguir explicar seu raciocínio claramente, os inspetres não confiarão nele e o medicamento não poderá ser liberado. Este artigo é sobre a construção de um assistente robô que não apenas adivinha, mas também explica, mantém-se justo e guarda um diário perfeito.

O Artigo: Um Chef Robô Que Mantém um Diário Perfeito

Este artigo de pesquisa, escrito por Charles Onyeka Nwamekwe e sua equipe da Universidade Nnamdi Azikiwe, aborda um grande problema: Como tornamos a Inteligência Artificial (IA) segura e confiável o suficiente para ajudar a fabricar medicamentos? Os autores perceberam que ter apenas um robô que é bom em adivinhar não é suficiente. Se o robô for uma "caixa preta" (uma máquina misteriosa onde você não consegue ver como ela funciona), ele será inútil para a fabricação de medicamentos porque os reguladores (os inspetores) não permitirão que ele trabalhe.

A equipe desenhou um novo "framework", que é como um livro de regras e um projeto, para construir um sistema de IA que seja "pronto para auditoria". Isso significa que a IA está pronta para ser inspecionada a qualquer momento, assim como uma conta bancária pronta para uma auditoria. Eles não construíram apenas um modelo para prever erros; eles construíram um sistema que verifica a si mesmo quanto à justiça, explica sua própria lógica e mantém um registro detalhado de cada decisão.

Os Ingredientes: Um Gêmeo Digital da Fábrica

Para testar sua ideia, os pesquisadores criaram uma simulação digital massiva de uma fábrica farmacêutica. Eles não usaram pacientes reais ou medicamentos reais (o que seria muito arriscado para manipular), mas usaram um conjunto de dados simulados de 1.200 lotes de registros de fabricação. Pense nisso como uma versão de videogame de uma fábrica onde eles poderiam testar seu robô sem nunca arriscar uma pílula real.

Esta fábrica digital rastreava tudo:

A Receita: Quanta umidade havia na mistura, quanta força a máquina pressionou as pílulas e a que velocidade a máquina girava.
O Ambiente: A temperatura e a umidade da sala.
As Pessoas: Qual operador estava trabalhando, qual era o turno (manhã, tarde ou noite) e qual máquina foi usada.
O Resultado: Se o lote estava perfeito ou tinha um defeito.

O Truque de Mágica: Fazendo o Robô se Explicar

O núcleo do framework deles é um tipo especial de IA que utiliza uma ferramenta chamada SHAP. Imagine se o seu assistente robô não apenas dissesse: "Este lote é arriscado", mas em vez disso lhe entregasse um boletim que dissesse: "Eu acho que este lote é arriscado porque a umidade estava 2% acima do ideal, a máquina estava vibrando um pouco demais e a umidade do ar estava baixa."

Em seus testes, a IA descobriu que a umidade da granulação (o quão úmida estava a mistura) foi o principal motivo para prever um problema, seguida pela força de compressão (o quão forte as pílulas foram espremidas). Ao mostrar exatamente quais fatores importavam, o robô deixou de ser um mistério e se tornou um parceiro útil em que os humanos podiam confiar.

O Teste de Justiça: O Robô é Tendencioso?

Uma das partes mais criativas do artigo é como eles verificaram a "justiça". Normalmente, quando as pessoas falam de justiça na IA, elas falam de raça ou gênero. Mas em uma fábrica, a justiça parece diferente. Os pesquisadores perguntaram: O robô trata todas as máquinas, todos os trabalhadores e todos os turnos de forma igual?

Eles descobriram que o robô nem sempre era justo. Por exemplo, era ligeiramente mais propenso a cometer erros ao julgar lotes da "Planta de Aba" em comparação com a "Planta de Lagos". Também tinha mais dificuldade com certas "Famílias de Produtos" (como comprimidos analgésicos) do que com outras. O artigo mostrou que, se você não verificar isso, o robô pode marcar injustamente uma máquina como "quebrada" apenas porque ela é mais velha, ou ignorar um problema no "Turno da Noite" porque não foi treinado com dados suficientes do período noturno. O framework deles detecta esses vieses para que possam ser corrigidos antes que o robô seja usado de verdade.

O Detector de "Drift": Quando o Robô Fica Confuso

As fábricas mudam com o tempo. Máquinas se desgastam, matérias-primas mudam e as estações do ano viram. Isso é chamado de "drift" (deriva). Imagine um robô treinado para reconhecer uma maçã fresca, mas então as maçãs na fábrica começam a ficar ligeiramente diferentes devido a um novo fornecedor. O robô pode ficar confuso e achar que uma maçã boa é ruim.

Os pesquisadores construíram um "monitor de drift" em seu sistema. Em sua simulação, eles observaram como os dados mudavam ao longo de 24 semanas. Eles viram que o robô começou a ficar confuso por volta da Semana 15, quando os padrões de dados mudaram significamente. O sistema deles soou um alarme, dizendo aos humanos: "Ei, o mundo mudou; precisamos retreinar o robô!" Isso garante que a IA não se torne errada lentamente sem que ninguém perceba.

O Veredito Final: O Robô Que Mantém um Diário

A descoberta mais importante do artigo é que o melhor IA para fabricar medicamentos não é necessariamente aquele que é o mais preciso em adivinhar. É aquele que é calibrado, explicável e justo.

Eles testaram vários tipos de modelos de IA. O vencedor foi um modelo chamado XGBoost. Ele não apenas acertou 90% das vezes; ele também manteve um diário perfeito. Para cada lote que julgou, ele registrou:

A versão do modelo utilizada.
A razão exata para sua decisão (o "Principal Fator de Explicação").
Se ele foi justo e calibrado.
Quem foi o revisor humano.
Qual ação foi tomada (como um "CAPA", que é um termo técnico para um "plano de correção").

Em sua simulação, 100% dos lotes que auditaram tinham um rastro completo de evidências. O sistema mostrou que, em 93,12% das vezes, a documentação era completa o suficiente para um inspetor dizer: "Sim, isso é seguro".

O Que Isso Significa para o Futuro

Os autores são cuidadosos ao dizer que isso foi uma simulação. Eles ainda não colocaram esse robô em uma fábrica real e viva. Eles sugerem que o próximo passo é testá-lo em fábricas do mundo real, com máquinas e trabalhadores reais.

No entanto, o artigo prova um ponto vital: você não pode simplesmente plugar um computador inteligente em uma fábrica de medicamentos e esperar pelo melhor. Você precisa de um sistema que seja construído desde o início para ser transparente. O robô deve ser capaz de dizer: "Eu acho que isso é ruim por causa de X, Y e Z", e deve ser capaz de provar que não está sendo injusto com o turno da noite ou com as máquinas antigas.

Ao criar este framework "pronto para auditoria", os pesquisadores forneceram um roteiro de como a IA pode se tornar uma parceira confiável na preservação de vidas, em vez de apenas uma caixa preta misteriosa que faz suposições. É um passo em direção a um futuro onde a tecnologia nos ajuda a fabricar medicamentos que não são apenas eficazes, mas também seguros, justos e completamente compreensíveis.

Resumo Técnico: Estrutura de Inteligência Artificial para Manufatura Farmacêutica Pronta para Auditoria

Definição do Problema
A manufatura farmacêutica opera sob rigorosas regulamentações de Boas Práticas de Fabricação (BPF/GMP), onde a qualidade do produto, a disposição do lote e a segurança do paciente dependem do controle consistente dos Parâmetros Críticos de Processo (CPP) e Atributos Críticos de Qualidade (CQA). Embora a Inteligência Artificial (IA) e o Aprendizado de Máquina (ML) ofereçam potencial para previsão de qualidade em tempo real e manutenção preditiva, as implementações atuais enfrentam uma barreira crítica em ambientes regulados: a precisão preditiva isolada é insuficiente. Um modelo pode identificar corretamente riscos de defeitos, mas se a previsão carecer de explicabilidade, não puder ser auditada, falhar em demonstrar equidade entre diferentes contextos de produção ou carecer de calibração, ela permanece inadequada para decisões críticas de BPF. Além disso, a literatura existente frequentemente trata explicabilidade, equidade e documentação de auditoria como atividades separadas, em vez de uma estrutura de governança integrada. Existe uma lacuna significativa em estruturas unificadas que abordem simultaneamente predição, explicabilidade, equidade, monitoramento de desvio (drift), calibração e responsabilidade humana dentro de um único ciclo de vida operacional.

Metodologia
O estudo propõe uma estrutura conceitual e pronta para simulação de um sistema de "IA Confiável" ( $\mathcal{T}_{AI}$ ) projetado especificamente para a manufatura farmacêutica pronta para auditoria. A estrutura é composta por quatro camadas integradas:

Camada de Dados em Conformidade com BPF ( $\mathcal{D}_{GMP}$ ): Utiliza um conjunto de dados de nível de lote de 1.200 registros de três plantas de manufatura. Os dados incluem CPPs (ex: umidade da granulação, força de compressão), CQAs (ex: peso do comprimido, dureza), variáveis ambientais e contexto de produção (operador, turno, máquina, planta, lote de material).
Camada de Modelagem Preditiva ( $\mathcal{M}_{AI}$ ): Emprega modelos de aprendizado de máquina (XGBoost, LightGBM, Regressão Logística, etc.), onde o objetivo de otimização estende-se além da perda de predição ( $L_{pred}$ ) para incluir perda de equidade ( $L_{fair}$ ), perda de calibração ( $L_{cal}$ ), perda de estabilidade de explicação ( $L_{exp}$ ) e penalidades de governança regulatória ( $L_{reg}$ ).
Camada de Confiabilidade e Governança ( $\mathcal{T}_{TR}$ ): Integra explicabilidade baseada em SHAP, avaliação de Erro de Calibração Esperado (ECE), análise de equidade específica de manufatura (avaliando lacunas de desempenho entre grupos operacionais como turnos e máquinas) e monitoramento de desvio utilizando medidas de divergência estatística (Índice de Estabilidade de População, divergência de Jensen–Shannon).
Camada de Suporte à Decisão Pronta para Auditoria ( $\mathcal{D}_{AUD}$ ): Vincula automaticamente cada predição de IA ao seu registro de lote de origem, versão do modelo, explicação, status de calibração e registros de Ações Corretivas e Preventivas (CAPA) para garantir total rastreabilidade.

A estrutura foi avaliada por meio de um conjunto composto de métricas: desempenho preditivo (AUC, Macro-F1), confiabilidade (erro de calibração, lacuna de equidade, robustez de desvio) e eficácia de governança (completude de auditoria, vínculo com CAPA, taxas de sobreposição humana).

Principais Resultados

Desempenho do Modelo: O XGBoost demonstrou o perfil geral mais forte com um AUC de ~0,91 e uma pontuação de confiabilidade composta de 0,89. Enquanto a Regressão Logística ofereceu alta estabilidade de explicação (0,90), sofreu com menor desempenho preditivo (AUC ~0,72).
Calibração e Explicabilidade: As curvas de calibração indicaram que as probabilidades eram geralmente confiáveis, embora tenham sido observadas desvios de 0,05–0,08 em bins de risco médio. A análise SHAP identificou a umidade da granulação como o principal driver de risco de qualidade (média |SHAP| = 0,17), seguida pela força de compressão e umidade relativa.
Análise de Equidade: O estudo revelou que os riscos de equidade não são uniformes. O grupo "Família de Produtos" exibiu a maior lacuna de equidade (0,13), seguido pelos grupos de Planta e Operador. Os grupos de Máquina e Turno mostraram comportamento mais estável. Isso confirma que o desempenho do modelo varia significamente através de contextos operacionais, necessitando de monitoramento específico por grupo.
Desvio e Prontidão para Auditoria: A detecção de desvio identificou com sucesso mudanças distributivas, com o Índice de Estabilidade de População (PSI) cruzando limiares de alerta em janelas de produção posteriores. O painel de auditoria mostrou 100% de rastreabilidade de versão de modelo e 93,12% de completude de auditoria. Na matriz de rastreabilidade, todos os lotes revisados foram vinculados com sucesso aos registros de CAPA e disposições finais, com completude de auditoria variando de 81,98% a 100%.

Significância e Alegações
O artigo afirma fornecer a primeira tradução operacional dos princípios de IA confiável em uma estrutura unificada e alinhada às BPF para a manufatura farmacêutica. Sua principal significância reside em redefinir a IA não como uma ferramenta de automação de "caixa-preta", mas como um sistema de governança de qualidade regulado.

Os autores afirmam que, para a IA ser defensável em inspeções regulatórias, cada predição deve ser tratada como um "objeto de decisão relevante para a qualidade" que satisfaça sete critérios simultaneamente: confiabilidade preditiva, adequação de explicação, qualidade de calibração, equidade operacional, estabilidade de desvio, rastreabilidade de CAPA e responsabilidade de revisão humana. Ao integrar esses elementos, a estrutura posiciona a IA como um sistema capaz de melhorar a prontidão para auditoria e a confiança regulatória, indo além de simples métricas de acurácia para garantir que as decisões apoiadas por IA sejam transparentes, justas e rastreáveis ao longo de todo o ciclo de vida do produto.

Limitações
O estudo reconhece que a estrutura foi validada usando um conjunto de dados industriais prontos para simulação, em vez de uma implantação de BPF multissite ao vivo. Trabalhos futuros são necessários para testar o sistema com dados de produção em tempo real através de diversas formas farmacêuticas e plataformas de equipamentos, e para integrar estudos prospectivos de revisores de Garantia de Qualidade (QA) e pacotes de auditoria voltados para reguladores.