q_alizer

Ausgangslage

Nach der Produktion durchlaufen Medikamente oder Impfstoffe einen mehrstufigen Prozess der Qualitätskontrolle. Die dabei anfallenden Prozessdaten werden von den QC-Laboren in der Regel in Laboratory Information Systems (LIMS) erfasst, jedoch fehlt es oft an einfachen Möglichkeiten, daraus Erkenntnisse zu gewinnen und Massnahmen zur Optimierung und Planung abzuleiten. Wie entwickelt sich die Arbeitslast über die Zeit? Welche Prozessschritte bilden Flaschenhälse und führen zu kostspieligen Verzögerungen? Welche Chargen können zusammen analysiert werden, um die Effizienz zu steigern?

Meocon als spezialisierte Consulting-Boutique hat ein Instrumentarium entwickelt, mit dem sich die Prozesse visualisieren und so einfacher erfassen lassen. Die für Spreadsheets entwickelte Anwendung ermöglichte es, die Daten schnell aufzubereiten und zu analysieren. Während diese Analysen für die Labore von grossem Wert waren, stiess deren Bereitstellung mittels Spreadsheets jedoch bald an ihre Grenzen: Unzählige Versionen waren in Umlauf und mussten gewartet werden, was sowohl für Meocon als auch für die Nutzer*innen mit hohem manuellem Aufwand verbunden war.

Lösung

q_alizer vereinfacht die Analyse und Verarbeitung von Prozessdaten in QC-Laboren durch eine moderne Web-Applikation, die als Cloud-basierte Software as a Service genutzt werden kann. Im Gegensatz zu herkömmlichen Spreadsheet-Lösungen erfolgt die Datenverarbeitung nicht mehr on premise, sondern sicher und effizient in der Cloud. Dies ermöglicht eine nahtlose Datenanbindung und -aufbereitung, während gleichzeitig höchste Anforderungen an die Datensicherheit erfüllt werden.

Um eine möglichst reibungslose Datenanbindung zu gewährleisten, kann q_alizer automatisiert auf definierte Datenquellen der Kund*innen zugreifen. Je nach Infrastruktur geschieht dies über den Austausch von Daten-Files oder durch die direkte Anbindung an On-premise- oder Cloud-Datenbanken mittels einer sicheren VPN-Verbindung. Da die Prozessdaten je nach Labor unterschiedliche Formate und Strukturen aufweisen, erfolgt die Datenaufbereitung über eine automatisierte Pipeline. Diese sorgt für die Harmonisierung der Daten in ein einheitliches Modell und erkennt gleichzeitig fehlerhafte Einträge.

Ein besonderes Augenmerk lag auf der Datensicherheit. Durch den Einsatz der Google Cloud wird eine Infrastruktur genutzt, die höchste Standards in puncto Sicherheit bietet. Sowohl die Datenspeicherung als auch die Übertragung sind durchgehend verschlüsselt, und die Applikation wird regelmässig auf Sicherheitslücken getestet.

Die Nutzung von q_alizer als Software as a Service (SaaS) bietet QC-Laboren zahlreiche Vorteile: Die Analyseprozesse können direkt im Webbrowser durchgeführt werden, ohne dass eine Installation notwendig ist. Die Cloud-Infrastruktur erlaubt eine nahezu unbegrenzte Skalierbarkeit und optimiert die Performance auch bei grossen Datenmengen. Dadurch wird die Weiterentwicklung der Applikation vereinfacht und das Entwicklungstempo erhöht.

q_alizer basiert auf einer vollständig serverless Architektur in der Google Cloud, wodurch das Entwicklungsteam sich ausschliesslich auf die Applikationsentwicklung konzentrieren kann, ohne Ressourcen für Betrieb und Wartung der Infrastruktur bereitzustellen. Die Skalierung erfolgt automatisch entsprechend der Anzahl der Benutzer*innen und der verarbeiteten Datenmengen, was eine gleichbleibend hohe Performance sicherstellt. Die Kernbausteine der Architektur umfassen Firebase für das Frontend, Cloud Run für das Backend und Middleware sowie BigQuery als leistungsfähiges Data Warehouse. Die Implementierung erfolgte mit Angular für das Frontend und Python für das Backend.

Die Entscheidung für Google Cloud basiert auf ihrer technologischen Führerschaft in der serverless Datenverarbeitung und -Analyse. Sie gewährleistet nicht nur höchste Skalierbarkeit und Datensicherheit, sondern auch die Speicherung und Verarbeitung der Daten in Rechenzentren in der Schweiz, was zusätzliche Compliance-Vorteile mit sich bringt.

Dank Q_alizer können QC-Labore weltweit wertvolle Erkenntnisse aus ihren Prozessdaten gewinnen und ihre Analyse-Chargen effizienter abarbeiten. Dies beschleunigt die Freigabe von Chargen, reduziert das im Prozess gebundene Kapital und trägt insgesamt zu kürzeren Produktionszeiten bei.