Un “incubatore” di alta tecnologia. Soluzioni di Intelligenza Artificiale (IA) e di IA Generativa, piattaforme digitali, sistemi integrati. Sono alcuni degli strumenti che possono trovare applicazione all’interno di impianti e in ambito farmaceutico per efficientare la produttività e garantire sicurezza, qualità ed efficacia del prodotto in tutto il percorso produttivo. Soluzioni in alcuni casi già diventate prototipi, altri in via di sviluppo in funzione di alcune criticità, quali incentivi dedicati al mondo farmaceutico industriale in Italia ancora scarsi, un regolatorio non ancora maturo.
Temi affrontati nella seconda giornata di Pharmintech 2025 (Milano, Rho Fiera, 27-30 maggio) durante l’evento “Tecnologie emergenti: il Futuro della Produzione Pharma” cui sono intervenuti Paola Martini, Data and Digital Management, IT Quality e Data Integrity Manager Takeda Italia, Julien Faury, Product Manager – Supply Chain Transparency Antares Vision, Adriano Pietrosanto, Director Technical and Scientific Area, Industrial Manufacturing and Quality Egualia, Gianpaolo Baranzoni, AFI Technological Innovation Study Group, Matteo Barbieri, Business Development Manager Sea Vision, moderati da Alberto Bartolini, Head of Supply Chain and Technological Innovation Area AFI e CEO CIT.
IA, IA generativa e analisi del rischio
Ad oggi l’IA generativa rappresenta una delle tecnologie più promettenti per l’applicazione in ambito farmacologico ma il cui impiego è ancora limitato a causa di una regolamentazione non ancora sufficientemente matura e della natura mutevole nel tempo della IA generativa, quindi difficile da governare.
Quest’ultima, una branca dell’IA, ha lo scopo di creare nuovi contenuti attingendo da dati disponibili e generare output che non sono stati esplicitamente programmati dagli sviluppatori, elaborando le informazioni ricevute tramite modelli di machine learning basati su meccanismi di addestramento. Ciò consente di generare una enorme mole dati di input che assomigliano a quelli reali, molto più ricche di informazioni.
L’IA generativa è una sorta di “proiezione” della IA tradizionale, oggi impiegata nelle aziende nei processi di decision making in quanto consente di analizzare e definire strategie, in maniera rapida, grazie all’analisi strutturata dei dati, come anche in ambito regolamentato, prevalentemente manufacturing e quality control, data processing e advanced analytics per la gestione dei dati.
L’IA generativa consente, in più, di estrarre conoscenze strutturate da fonti diverse (dati strutturati e semi-strutturati), di generare sintesi di testo o testi come istruzioni operative per l’analisi di documentazioni tecniche o di technical driving permettendo di uniformare le modalità di esposizione di dati per procedure, deviazioni, change control, di creare contenuti di diversa natura (testo, immagini, video, codici, audio), di simulare dati sintetici, di stabilire una interazione diretta tra uomo e sistema di IA, e soprattutto si rispondere a dei problem solving, ricavando nuove intuizioni da un processo di ragionamento logico pre-impostato dall’uomo.
Alcuni benefici dall’applicazione dell’IA generativa sono già attestati, fra questi il supporto per la revisione dei processi in tempo reale, l’automazione automatica e intelligente del processo, la guida nei processi decisionali, fornendo assistenza virtuale H24 e 7 giorni su 7 specie in attività di manutenzione, l’analisi in tempo reale di anomalie e trend avversi per fare anticipazione diagnostica e interventi preventivi. A fronte di ciò esistono anche potenziali rischi di implementazione, di cyber security e pirateria informatica con utilizzo dei data a scopi malevoli, violazioni di data privacy e data integrity, furti delle proprietà intellettuale, di compliance.
Mentre tra i possibili bias si includono distorsioni sistematiche nei risultati algoritmici che possono essere influenzati da dati di addestramento a loro volta condizionabili da pregiudizi umani portando alla generazione di dati distorti, quindi presumibilmente dannosi, riducendo accuratezza della IA. Bias che potrebbero essere evitati utilizzando infrastrutture sicure, affidabili e in caso di ambito regolamentato infrastrutture qualificate.
Analisi del rischio
Un approccio basato sull’analisi del rischio si è rivelato strumento efficace per un’implementazione controllata dell’IA generativa, in merito alla quale esistono tre documenti guida: il Reflection paper on the use of AI on the medicinal product lifecycle di EMA (Agenzia Europea dei Medicinali) in cui viene definito un approccio di analisi del rischio per lo sviluppo, implementazione e monitoraggio degli strumenti di IA e ML (Machine Learning) per la gestione proattiva dei possibili rischi durante tutto il ciclo di vita del sistema, che possono essere dipendenti da vari fattori, in primo luogo dalla stessa tecnologia utilizzata. Un documento in draft della FDA (Food&Drug Administration) che offre uno spunto la valutazione della credibilità, intesa come fiducia, di un modello di IA generativa, in funzione del contesto di utilizzo del modello di IA e dei potenziali rischi applicativi.
Infine l’Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile del NIST (National Institute of Standards and Technology) in cui si ha una accurata disamina del rischi legati all’IA con proposte di soluzioni per la mitigazione degli stessi, quali ad esempio a livello di governance e supervisione, l’allineamento dello sviluppo dell’IA generativa alle leggi e regolamentazioni applicabili, la rivalutazione del modello all’emissione di linee guida nuove, la definizione di politiche e processi di trasparenza dei dati, la verifica della robustezza delle misure di sicurezza, le dipendenze con altri sistemi informatici e le vulnerabilità significative, il mantenimento di una gerarchia aggiornata di rischio, compreso quelli non accettabili, la stesura di un piano di monitoraggio continuo e la revisione periodica del modello della governance fra le principali.
Gli incentivi industriali in Italia e in Europa
A fronte delle tecnologie emergenti e della necessità di produrre soluzioni sempre più innovative, i finanziamenti messi a disposizione dell’industria sono scarsi, o comunque di difficile accesso, invece vitali per rendere questi investimenti sostenibili, per rispondere alla competitività del mercato, per aumentare il manufacturing, rafforzare l’economia strategica e quindi minimizzare il problema delle carenze, come è emerso anche dal recente Tavolo sulla farmaceutica del MIMIT (Ministero delle Imprese e del Made in Italy).
Il Tavolo ha anche messo in luce anche alcune criticità importanti, quali l’erogazione degli incentivi stessi che in Italia sono elargiti alle industrie mediante contratti di sviluppo cui è possibile avere accesso con una soglia minima di 20 milioni di euro e l’ubicazione dell’impresa in specifiche aree geografiche ed in conformità con alcune caratteristiche di industrializzazione. Parametri che in Italia consentono di destinare questi fondi ad aree del Centro Sud dove tuttavia vi è una minima concentrazione di impianti produttivi, escludendo il Nord, centro propulsivo del Paese per la produzione industriale.
Oltre a ciò, dal Tavolo Tecnico è emersa la necessità di sburocratizzare il sistema, al fine di evitare provvedimenti a singhiozzo e limitati nel tempo, non conformi con il farmaceutico che per lo sviluppo di un prodotto può richiedere anche cinque anni. Problematiche che, di fatto, hanno determinato il fallimento degli incentivi in Italia e in Europa.
Pertanto il Tavolo ha identificato la filiera farmaceutica come area strategica cui destinare risorse ad hoc tramite un piano straordinario industriale, meno burocratizzato, consentendo accesso ai fondi in maniera più rapida, a favore di modifiche strutturali, reshoring e nearshoring, e della competitività. Inoltre e apparsa chiara la necessità di diversificare le sorgenti e i Paesi produttivi dei principi attivi per aver più poli farmaceutici ed evitare le carenze. Ancora occorre superare gli attuali limiti degli aiuti di Stato, abbassando ad esempio la soglia minima di investimento per i contratti di sviluppo, generando un incremento dei farmaci di sintesi chimica ma anche in ricerca e sviluppo. Particolare attenzione e discussione è oggi riservata al Critical Medicine Act, il piano proposto dalla Commissione Europea per rafforzare l’approvvigionamento di medicinali critici in UE, ridurre la dipendenza da fornitori extra-UE e migliorare l’accesso ai farmaci essenziali, compresi quelli per le malattie rare. Il documento incoraggia, inoltre, gli appalti collaborativi tra gli Stati membri, il consolidamento di progetti strategici per investimenti identificati come prioritari, la rivisitazione di alcune procedure, tra cui quelle di procurement pubblico e l’incentivazione di partnership internazionali secondo un meccanismo di solidarietà europeo, fino a azioni garanti della sicurezza della produzione.
La catena del freddo
La supply chain di prodotti in temperatura, ad esempio di prodotti al plasma, resta una importante criticità. Infatti l’alterazione della catena del freddo può compromettere la qualità del prodotto. Da qui la necessità di studiare soluzioni in grado di fungere da collettore tra tutti i soggetti operanti nella supply chain del freddo identificata, nello specifico, in una piattaforma “univoca” di collaborazione, centralizzata, per l’acquisizione di tutte le informazioni, quindi della distribuzione e invio delle stesse a tutti gli interessati/operatori.
Piattaforma che deve esser inoltre in grado di integrare i sistemi di gestione della temperatura, di identificare i vari momenti di in-out da un frigo cui è sottoposto un prodotto nel corso del ciclo produttivo, nel rispetto del TOR (Time Out of Range). Oltre ad aver utilizzato una metodica di blockchain per lo sviluppo della piattaforma, avere identificato alcune specifiche componenti, come un Front End locale interno azienda, sono stati realizzati anche adeguati e agili strumenti di comunicare diretta con il Front End stesso e tra i soggetti operanti, tramite delle app ad hoc. Attualmente la piattaforma è stata testata in un ambiente complesso, quale una CMO (Contract Manufacturing Organization).
IA nella linea di Clearance Process
Le nuove linee di confezionamento e di manufacturing sono sempre più modulari, ricche di automazioni finalizzate a rispondere al bisogno di produrre lotti potenzialmente sempre più piccoli, di ridurre il tempo di produzione tra un lotto e l’altro, in ottemperanza anche alla flessibilità del mercato. Obiettivi che impongono di lavorare a soluzioni tecnologiche applicabili fin dalla fase di design della linea, rendendo tali soluzioni industrializzabili.
Per rispondere a questi obiettivi relativamente ad una Linea Clearance, processo in cui in una ispezione viene verificato che nessun elemento critico, come la mano di un operatore, un utensile, una soluzione di packaging (vials o cartucce) restino sulla line di manufacturing nell’intervallo produttivo tra un lotto e il successivo, è stata sviluppata una soluzione, un algoritmo di machine vision che sfrutta tecniche neurali, per ovviare ad una pratica – quella del clearance process – ancora condotta manualmente. Quindi legate a criticità dipendenti dall’operatore, a tempi ispettivi lunghi (anche decine di minuti), a costi elevati (gli operatori devono esser costantemente formati), a risultati e “evidenze” basate su congetture, non scientifiche.
Poche macchine nascono oggi per essere Line clearance ready, pertanto una soluzione di machine vision consente di visualizzare oggetti che restano lungo la catena, di evidenziare il problema e offrire una soluzione superando i limiti di algoritmi tradizionali che effettuando solo comparazione di pixel fra immagini, non consentono di visualizzare l’ostacolo. La soluzione innovativa è stata applicata a una macchina di confezionamento, con installazione di telecamere posizionate in punti strategici identificati sulla base di una analisi di Risk Assesment.
Le telecamere a loro volta sono integrate all’interno di una piattaforma che guida l’operatore durante l’esecuzione dell’ispezione, simulando i possibili accadimenti in diversi scenari, ad esempio macchina sporca/pulita, i rischi (anomalie, riclassificazione). Il processo fornisce alla fine dell’operazione una evidenza digitale che riportata in un report, può fungere da guida e indicazione per investigazioni successive. I benefici dell’applicazione di questa tecnologia sono evidenti: digitalizzazione dell’intero processo a fronte di una operatività manuale, limitando errori umani, velocizzazione del tempo di ispezione, con ricadute anche sull’economie del processo stesso, generazione di una evidenza digitale che permette di mantenere uno storico e dati digitali per confronti/suggerimenti con procedure di investigazione successive.
