Simio Case Studies

Entwurf und Simulation eines neuen biomedizinischen Produktionsprozesses

Geschrieben von Simio | 10.03.2026 18:46:34

Die Herausforderung

In diesem Beitrag wird der Entwurf und die Analyse eines schlanken Produktionssystems für ein neues biomedizinisches Technologieprodukt vorgestellt, das das Potenzial hat, den Screening-Prozess für Krebsbehandlungen zu beschleunigen. Um die besonderen Einschränkungen des Herstellungsprozesses des Produkts, einschließlich der Verwendung von zeitsensiblen Biomaterialien und mehrerer Schritte mit langen Bearbeitungszeiten, zu bewältigen, wird die Simulation genutzt, um mehrere Systemdesigns und Produktionsszenarien zu analysieren und zu vergleichen. Der endgültige Entwurf umfasst einen robusten Produktionsplan, ein modulares Anlagenlayout und schlanke Produktionssteuerungsinstrumente für den täglichen Anlagenbetrieb. Alle vorgeschlagenen Entwürfe entsprechen den Vorschriften für den korrekten Umgang mit menschlichem Gewebe und anderen Biomaterialien, und die Richtlinien der Aufsichtsbehörden wurden bei wichtigen Entscheidungen während des gesamten Entwurfs- und Simulationsmodellierungsprozesses ausdrücklich berücksichtigt.

Einleitung

Krebsvorsorge, Früherkennung und personalisierte Medizin stehen in der Krebsforschung an vorderster Front. Nach Angaben der Weltgesundheitsorganisation (2018) ist etwa einer von sechs Todesfällen weltweit auf Krebs zurückzuführen. Darüber hinaus ist Leukämie eine der häufigsten Formen von Krebs im Kindesalter. Die American Cancer Society (2020) schätzt, dass im Jahr 2020 etwa 60.500 neue Fälle von Leukämie diagnostiziert werden und schätzungsweise 23.100 Menschen an Leukämie sterben. Um Krebsarten wie Leukämie zu diagnostizieren und zu behandeln, werden wirksamere Screening- und Behandlungsmethoden benötigt.

Um diesen Bedarf zu decken, haben Forscher ein vielversprechendes Produkt und Verfahren entwickelt, das für das Screening auf Leukämie und die Entwicklung personalisierter medizinischer Behandlungen für Leukämie eingesetzt werden kann (Li et al. 2018; Li et al. 2019). Sanatela, ein Unternehmen für medizinische Lösungen, hat ein Produkt namens Matrix entwickelt. Die Matrix ist ein gazeartiges, natürliches biologisches 3D-Gewebe, das aus Wharton's Jelly, einem Material der menschlichen Nabelschnur, hergestellt wird (Sanatela 2020). Zu Beginn unserer Arbeit wurde die Matrix in einem Forschungslabor hergestellt, und das Unternehmen wollte eine effiziente Produktionsanlage für die Herstellung des Produkts entwickeln.

In diesem Beitrag beschreiben wir, wie die Simulation genutzt wird, um ein biomedizinisches Fertigungssystem für das Matrix-Produkt zu entwerfen, das die biomedizinischen Umwelt-, Produktions- und Produktverfolgungsvorschriften sowie die Produktionsprozesszeiten berücksichtigt, die sehr variabel sind. Aufgrund der einzigartigen Prozessbeschränkungen für das Produkt und um die Möglichkeit zu nutzen, einen schlanken Prozess vom ersten Tag der Fertigung an zu schaffen, wurde die Simulation eingesetzt, um eine Vielzahl von Konfigurationen zu analysieren, bevor das beste Design ausgewählt wurde. In diesem Beitrag wird dargelegt, wie die Simulation bei wichtigen Entscheidungen zur Gestaltung des Fertigungsprozesses, wie z. B. Anlagenlayout, Materialfluss, Mitarbeiterauslastung und Einhaltung von Vorschriften, hilfreich war.

Verwandte Arbeiten

Da die Anforderungen an Qualität, wettbewerbsfähige Preise und Just-in-Time-Lieferungen für Produkte in allen Branchen ständig steigen, werden in der Literatur zunehmend neue Anwendungen der Simulation als Werkzeug zur Ermittlung von Verbesserungsmöglichkeiten untersucht. Das Konzept der "digitalen Fabrik", ein Simulationsmodell, das die geplanten oder tatsächlichen Details eines Produktionssystems widerspiegelt, um Entscheidungsträger beim Verständnis und der Optimierung ihrer Abläufe zu unterstützen, wurde zur Verbesserung vieler Arten von Prozessen eingesetzt (Kuhn 2006).

Anwendungen von "digitalen Fabriken" im biopharmazeutischen Bereich waren besonders nützlich, da die Herstellung biomedizinischer Produkte viele Quellen der Variabilität und komplexe Einschränkungen beinhaltet, die ohne den Einsatz von Simulationsmodellen schwer zu erfassen wären. Wang et al. (2019) haben ein stochastisches Simulationsmodell entwickelt, um die Risiken in einem Bioproduktionsprozess zu analysieren. Dieses Modell kann dazu verwendet werden, die Aspekte des Prozesses zu identifizieren, die die größte Gefahr für den Durchsatz und die Qualität darstellen, und Änderungen vorzuschlagen, um die Stabilität des Prozesses zu erhöhen. Die Simulation kann für die biopharmazeutische Produktionsplanung genutzt werden und die Robustheit gegenüber Unsicherheiten erhöhen, wie der mathematische Programmieransatz von Lakhdar und Papageorgiou (2008) zeigt. Zusätzlich zu den internen Variationsquellen (z. B. schwankende Ausbeute bei chemischen Prozessen) werden Bioproduktionsprozesse durch externe Einschränkungen und Variabilitätsquellen beeinflusst, wie z. B. sich ändernde staatliche Vorschriften und Konformitätsstandards; die Simulation wurde zur Modellierung der Auswirkungen dieser Konformitätsanforderungen auf biomedizinische Prozesse eingesetzt (Leachman et al. 2008; Lim et al. 2004). Andere Anwendungen der Simulationsmodellierung in der Bioproduktion umfassen die Identifizierung potenzieller Probleme bei der Anlagenanpassung und Kapazitätsplanung (Stonier et al. 2012) und die Modellierung von Engpässen und Unterstützungsfunktionen, um die beste Strategie zur Prozessverbesserung zu ermitteln (Kulkarni 2015). Die genannten Anwendungen simulieren in erster Linie jeden Produktionsprozess auf einer relativ hohen Ebene und konzentrieren sich auf Änderungen in der Produktionsplanung, um Unsicherheiten zu verringern. Einige Forscher haben auch einen eher mikroskopischen Ansatz gewählt und die Simulation zur Ermittlung von Verbesserungen eingesetzt, indem sie die Auswirkungen von Änderungen in den Details verschiedener Materialauswahlen und stöchiometrischer Interaktionen während des gesamten Prozesses untersucht haben (Chhatre et al. 2007).

Hersteller von Biopharmazeutika sind zunehmend daran interessiert, die Lean-Prinzipien, wie z. B. den kontinuierlichen Fluss, zu implementieren, um die dramatischen Verbesserungen bei der Abfallreduzierung zu erzielen, die in anderen Branchen zu beobachten sind. Ein weiterer Ansatz zur Abfallreduzierung ist die Wertstromanalyse. Nepal et al. (2011) nutzten die Wertstromanalyse, um Verschwendung in einem aktuellen und aktualisierten Fertigungsprozess zu identifizieren. Mit Hilfe der Wertstromanalyse konnten Redundanzen und Produktionsverzögerungen ermittelt werden, wodurch die Gesamtproduktionszeit von 17 auf 4,5 Tage reduziert werden konnte (Nepal et al. 2011). Dies stellt eine weitere Möglichkeit für die Anwendung von Simulationen dar; mehrere Simulationswerkzeuge wurden entwickelt, um den Durchsatz in Bioproduktionsanlagen mit kontinuierlichem Fluss zu optimieren (Stonier et al. 2009; Garcia und Vandiver 2016).

In dieser Arbeit kombinieren wir die Prinzipien der schlanken Produktion und der Simulation bei der Planung einer Biofertigungsanlage.

Biomaterialverarbeitung und Vorschriften

Eine Übersicht über die Prozesse zur Herstellung des Matrix-Produkts ist in Abbildung 1 dargestellt. Der Prozess beginnt mit den Nabelschnüren, die zur Verwendung in dem Produkt eingehen. Die Nabelschnüre werden zerlegt, um eine Substanz zu entfernen, die als Wharton's Jelly bezeichnet wird. Das Wharton's Jelly durchläuft dann einen Sterilisierungs-, Dezellularisierungs-, Homogenisierungs- und Lyophilisierungsprozess. Nach der Kontrolle wird das Matrix-Produkt geschnitten und verpackt. (Ausführlichere Informationen über den Prozess finden Sie in Sanatela 2020).
Zusätzlich zu den Prozessen und Verfahren wurden die geltenden Vorschriften der U.S. Food and Drug Administration (FDA) sowie die Normen der American Association of Tissue Banks (AATB) und der International Organization for Standardization (ISO) für die Herstellung von Produkten auf Basis menschlicher Zellen und Gewebe berücksichtigt. Die für dieses Produkt geltende FDA-Vorschrift ist insbesondere "Title 21 Part 1271 Human Cells, Tissues, and Cellular and Tissue-Based Products". Teil 1271 enthält die Unterabschnitte A-F; für dieses Produkt müssen jedoch nur die Unterabschnitte C - Spendereignung und D - Current Good Tissue eingehalten werden.

Abbildung 1: Überblick über den Produktionsprozess

CFR Kategorie Umsetzung
§ 1271.170 Personal 2-5 Techniker
§ 1271.190 Einrichtungen Laboreinrichtung, Zonen
§ 1271.195 Umweltkontrolle und -überwachung Prozessablaufplan
§ 1271.200 Ausrüstung Ausrüstungsspezifikationen, Prozessablaufplan
§ 1271.220 Verarbeitung und Prozesskontrollen Prozessplan, Dosierung
§ 1271.250 Etikettierungskontrollen Sichtkontrolle, Prozesskontrollkarten
§ 1271.290 Rückverfolgung Prozesskontrollkarten

Die Lösung

Entwurf des Bioproduktionssystems

In diesem Abschnitt beschreiben wir den Entwurfsprozess für die Entwicklung des Bioproduktionssystems für das Produkt. Insbesondere beschreiben wir den Prozess im Forschungslabor, der ursprünglich für die Herstellung des Matrix-Produkts verwendet wurde (aktueller Stand), und die Methode, die für die Entwicklung des kommerziellen Herstellungssystems angewendet wurde (zukünftiger Stand).

Ausgehend von einer Reihe von Standardarbeitsanweisungen (SOPs) und durch Interviews mit Fachleuten wurde eine Wertstromkarte (VSM) des Forschungslaborprozesses im Ist-Zustand entwickelt (siehe Abbildung 2). Die VSM verdeutlicht die unausgewogene Natur des Prozesses: Jeder Schritt nimmt einen völlig unterschiedlichen Zeitaufwand in Anspruch, der von einigen Minuten bis zu mehreren Stunden reicht. Einige Informationen aus dem ursprünglichen VSM, einschließlich der Schritte und der Dauer für jeden Prozess, wurden zum Schutz des geistigen Eigentums von Sanatela geschwärzt.
Abbildung 2: Aktueller Zustand des VSM für den Produktionsprozess.
Es wurde ein Simulationsmodell des aktuellen Zustands entwickelt. Dieses Simulationsmodell gab Aufschluss über das dynamische Verhalten des Systems sowie über mögliche Wege zur Übertragung des Forschungslaborprozesses in einen Fertigungsprozess. Da der Prozess aus einer Abfolge von linearen Schritten besteht, die an der gleichen
Abbildung 3: Visuelle Darstellung des Produktionsplanentwurfs.
Da der Prozess aus einer linearen Abfolge von Schritten besteht, die mit demselben Ausgangsmaterial durchgeführt werden, gibt es im derzeitigen Prozess nicht viel Muda (Abfall). Wir haben jedoch festgestellt, dass die gleichzeitige Verarbeitung mehrerer Kordeln zu einem höheren Durchsatz und zu einer gleichmäßigen Arbeitsbelastung der Techniker führen könnte. Wir entwarfen einen Zeitplan (siehe Abbildung 3) für die Verarbeitung des Produkts, bei dem die Techniker zwei spezialisierte Aufgaben in einem Verhältnis von zwei zu eins wahrnehmen: Die erste Aufgabe der Techniker ist ausschließlich dem Sezieren gewidmet, während die zweite Aufgabe (im Folgenden als "Verarbeitungstechniker" bezeichnet) darin besteht, jeden Tag dieselbe Abfolge von Schritten auszuführen, um vier Chargen gleichzeitig zu verarbeiten. Der Zeitplan wurde erstellt, um die von Sanatela angestrebte Taktzeit einzuhalten und gleichzeitig in der Lage zu sein, neue Labore schnell auf einen stabilen Zustand hochzufahren und die vom Unternehmen angestrebte Taktzeit einzuhalten.

Der Zeitplan basiert auf dem Lean-Prinzip von Heijunka: Die Arbeit des Verarbeitungstechnikers ist über den Tag hinweg relativ gleichmäßig verteilt, wobei die Aufgaben leicht nach vorne verlagert werden, um die Wahrscheinlichkeit zu erhöhen, dass alle Arbeiten bis zum Ende des Tages abgeschlossen werden können, selbst wenn Probleme auftreten oder Schritte länger als erwartet dauern. Der Aufbereitungstechniker wechselt zwischen den einzelnen Chargen, wobei er die Einrichtungsschritte in einem "wasserfallähnlichen" Ablauf erledigt und gegen Ende des Tages Zeit für unterstützende Aufgaben wie die Sterilisierung der Laborausrüstung aufwendet. Der Prozessplan erfüllt CFR 1271.170, da er mit einer flexiblen Anzahl von Technikern effizient abläuft und die in mehreren CFR-Abschnitten genannten Reinigungs- und Hygieneanforderungen berücksichtigt. Dieser Zeitplan ist auch ideal für den Einsatz in einer zellularen Anlage mit Einzelstückfluss.

Nachdem die Interessengruppen des Unternehmens zusätzliches Feedback zum Projektplan gegeben hatten, wurde der endgültige Plan verwendet, um eine Wertstromkarte für den zukünftigen Zustand (siehe Abbildung 4) und ein entsprechendes Simulationsmodell zu erstellen. Das Modell des zukünftigen Zustands enthält zusätzlich Milchläufe für die tägliche Lieferung von Nabelschnüren aus Krankenhäusern, schlanke Produktionskontrollmethoden sowie die Lieferung von Produkten an Kunden; auch hier wurden spezifische Prozessinformationen zum Schutz des geistigen Eigentums des Unternehmens unkenntlich gemacht.

Aufbau der Anlage

Das biomedizinische Technologieunternehmen befindet sich in einem Gebäude mit mehreren angrenzenden "Labors" für die Produktion. Eine der Hauptprioritäten bei der Planung war es, die Fähigkeit zu erhalten, sich leicht an das Wachstum und die Flexibilität des Unternehmens anzupassen. Daher wurde der gesamte Laborbereich in der Absicht entworfen, modular zu sein. Die Laborflächen befanden sich zwischen den Büroräumen und einem Flur, der zu den Versand- und Empfangsdocks führte. Da die Labore mit Bioabfällen versorgt werden müssen, war es sehr wichtig, den Materialfluss in und aus dem Labor zu simulieren, um das Risiko eines Kontakts mit gefährlichen Abfällen zu minimieren.

Abbildung 4: Zukünftiger VSM-Zustand für den Produktionsprozess.
Infolge der Vorschrift 1271.190 wurde die Trennung von Nabelschnüren und extrahiertem Wharton's Jelly zu einer Priorität bei der Gestaltung des Laborraums. Die vorgeschlagene Lösung für dieses Problem ist das in Abbildung 5 dargestellte Doppellabor. Dieses Konzept sieht zwei Labore vor: eines für das Präparieren der Nabelschnüre (Zone 1) und eines für die Nachbearbeitung (Zone 2). Durch die Aufteilung der Labore in zwei getrennte Bereiche wird die Wahrscheinlichkeit einer Kreuzkontamination erheblich verringert. Das Sezierlabor leitet Wharton's Jelly über Transferfenster an die angrenzenden Nachbearbeitungslabors weiter. Bei der Gestaltung des Laborraums wurde ein zellulares, kontinuierliches Produktlayout verwendet. Die zellenförmige Anordnung der Laborgeräte reduziert den Bewegungsaufwand des Technikers, der während der gesamten Schicht an mehreren Stationen Aufgaben erledigen und überwachen muss. Dieses Layout erleichtert auch die reibungslose Anpassung an Produktionssteigerungen, da es modular aufgebaut ist: Wenn die Nachfrage steigt, kann Sanatela durch einfaches Duplizieren der Zwei-Labor-Einrichtung zusätzliche Laborräume einrichten. Das Simulationsmodell wurde erstellt, um sowohl den Material- als auch den Personenfluss zwischen den beiden Labors zu demonstrieren.

Simulation und Analyse

Die Entwicklung dieses Produktionsprozesses stellte aus mehreren Gründen eine einzigartige und gut geeignete Gelegenheit für die Anwendung der Simulation dar:

  • Da das Herstellungsverfahren in großem Maßstab noch nicht entwickelt worden war, konnte die Simulation genutzt werden, um viele mögliche Optionen gleichzeitig zu analysieren und eine optimale Lösung zu finden.
  • Die statistischen Ergebnisse der Simulation können unter anderem vernünftige Schätzungen für Produktionsleistung und Auslastung liefern. Diese Informationen geben u. a. Aufschluss über Personalentscheidungen, Produktionskapazitäten und Vorlaufzeiten.
  • Die Animationsfunktionen der Simulationssoftware können dazu beitragen, den Beteiligten einen realistischeren Eindruck davon zu vermitteln, wie der physische Laborraum im fertigen Zustand aussehen wird. Die realitätsgetreue Darstellung ("digitaler Zwilling") der Simulation ist hilfreich, um potenzielle Probleme, die bei der vorgeschlagenen Anordnung auftreten könnten, zu durchdenken.
  • Die Simulation bietet die Möglichkeit, auch weniger optimale Szenarien zu testen, um Daten über die Empfindlichkeit/Robustheit des Systems zu sammeln, ohne dass die tatsächliche Laborzeit oder physische Materialien geopfert werden müssen.

Wie bereits erwähnt, bestand der erste Schritt bei der Erfassung und Prüfung von Daten über den Produktionsprozess in der Erstellung eines Simulationsmodells für den aktuellen Zustand. Dieses Simulationsmodell wurde mit der Simulationssoftware Simio erstellt und ist recht einfach: Eine Quelle ("Krankenhaus") erzeugt alle 24 Stunden eine neue Schnur zur Verarbeitung, und ein Techniker führt jeden der Verarbeitungsschritte aus, während das Wharton's Jelly umgewandelt und schließlich verpackt wird. Zur Modellierung der komplexen Teilaufgaben, die in jedem übergeordneten Schritt enthalten sind, wurden Aufgabensequenzen in Simio verwendet. Im aktuellen Zustand wurde eine Technikerauslastung von ca. 35 % ermittelt, was angesichts der vielen Schritte mit langen Bearbeitungszeiten, bei denen kein Techniker benötigt wird, nicht überraschend niedrig ist. Jeder Strang verbrauchte eine beträchtliche Menge an Zeit; wenn dieser Prozess einfach war.

Abbildung 5: Endgültiges Zwei-Labor-Layout.

Würde dieser Prozess wie bisher durchgeführt und nach Fertigstellung jedes Strangs wiederholt, würde der wöchentliche Gesamtausstoß nicht den gewünschten Takt erreichen, ohne erhebliche Ressourcen zu verschwenden.

Ein Simulationsmodell für den zukünftigen Zustand (Abbildung 6) wurde erstellt, um das neue vorgeschlagene Design mit zwei Labors widerzuspiegeln. In diesem Modell ist ein Labor für die Sezierung vorgesehen; das angrenzende Labor ist für die nachfolgenden Aufgaben des Aufbereitungstechnikers vorgesehen. Die Spezifikationen der Ausrüstung wurden überprüft, um die Einhaltung von CFR 1271.200 zu gewährleisten.

Anhand dieser Simulation wurden mehrere Experimente durchgeführt, um Daten über die Leistung des Produktionsprozesses unter verschiedenen Szenarien zu sammeln. Die folgenden Absätze fassen die Ergebnisse dieser Experimente zusammen und gehen speziell auf die beiden kritischsten Messgrößen ein (Chargenleistung und Auslastung des Verarbeitungstechnikers)

  • Szenario 1 (Kontrolle): In diesem Szenario waren alle Prozesszeiten statisch und basierten auf den in der Standardarbeitsanweisung angegebenen Schätzungen. Dies führte zu sehr vorhersehbaren Ergebnissen für den Tagesausstoß mit einer Auslastung von 59 % für den Bearbeitungstechniker.
  • Szenario 2 (Variation der Prozesszeiten): Es wurde eine Dreiecksverteilung für die Bearbeitungszeiten eingeführt, um die Schwankungen bei den von den Technikern ausgeführten Schritten zu modellieren. Dies führte zu einer Verringerung des Batch-Outputs um 9 % im gleichen Zeitraum und zu einem Rückgang der Auslastung des Bearbeitungstechnikers aufgrund der zusätzlichen Wartezeit, wenn die Schritte nicht zum richtigen Zeitpunkt bearbeitet werden konnten.
  • Szenario 3 (Optimistische Bearbeitungszeiten): Die Dreiecksverteilung aus Szenario 2 wurde modifiziert, um im Durchschnitt etwas schnellere Bearbeitungszeiten zu erreichen. Obwohl der Aufbereitungstechniker effizienter arbeitete, konnte das System nicht mehr Chargen als im Kontrollszenario produzieren, da der Engpass nach wie vor in der Dissektion/Seilversorgung liegt.
  • Abbildung 6: Zukunftssimulation Version 2, einschließlich Zwei-Labor-Layout.
  • Szenario 4 (pessimistische Verarbeitungszeiten): Bei diesem Experiment wurde derselbe Ansatz verfolgt wie bei Szenario 3; die Auslastung der Verarbeitungstechniker blieb gleich, aber der Gesamtdurchsatz der Chargen sank aufgrund der Verzögerungen um 19 %.
  • Szenario 5 (sehr pessimistische Bearbeitungszeiten): Dieses Szenario war ähnlich wie Szenario 4, aber pessimistischer - es wurde durchgeführt, um zu testen, wie es sich auf das System auswirkt, wenn im Labor Techniker arbeiten, die den Prozess noch lernen/geschult werden, da dies im Unternehmen der Fall sein wird. Die Anzahl der fertiggestellten Chargen sank um 28 %.
  • Szenario 6 (Ankunft der Nabelschnur 1 - Variation bei der Ankunft der Nabelschnur): Da die Anzahl der Geburten und die Zustimmung der Eltern zur Nabelschnurspende Faktoren sind, auf die das Unternehmen keinen Einfluss hat, wurde dieses Szenario konstruiert, um zu testen, wie es sich auf den Prozess auswirkt, wenn dem System mehr oder weniger Nabelschnüre als erwartet zugeführt werden. Die Verteilung der Bearbeitungszeiten wurde als Dreiecksverteilung (+/- 10 % der geschätzten Zeit für jeden Schritt, für den ein Techniker benötigt wird) festgelegt, um normale Schwankungen im Prozess zu modellieren. Eine Dreiecksverteilung für die Kordelankunft führte zu 7 % weniger abgeschlossenen Stapeln und einer um 4 % geringeren Auslastung des Verarbeitungstechnikers als im Kontrollszenario.
  • Szenario 7 (Kordelankunft 2 - Variation der Kordelankunft): In diesem Experiment wurde ein ähnlicher Fall wie Szenario 6 getestet, jedoch mit einer diskreten Verteilung für das Eintreffen der Kordeln - in 90 % der Zeit wurden erwartungsgemäß zwei Kordeln geliefert, in 10 % der Zeit kam nur eine an. Der Batchoutput war bei diesem Szenario um 4 % niedriger.
  • Szenario 8 (Ausschußrate): In diesem Szenario wurde eine Ausschussrate von 10 % für jeden hochrangigen Prozessschritt (z. B. Dezellularisierung, Homogenisierung usw.) berücksichtigt. Dies führte zu einer Reduzierung der an den Kunden gelieferten Chargen um 39 %. Die Auslastung der Verarbeitungstechniker sank ebenfalls auf 45 %.
  • Szenario 9 (Maschinenstillstand): In diesem Experiment wurde die Auswirkung von Maschinenstillständen auf die Prozessleistung getestet. Jeder Maschine im Labor wurde ein auf der Verarbeitungsanzahl basierender Ausfallmodus mit einer Dreiecksverteilung und einer Stunde Reparaturzeit zugewiesen. Dies führte zu einer Verringerung der an den Kunden gelieferten Chargen um 3 %. Wichtig ist, dass in diesem Szenario die Auswirkungen von Maschinenstillständen auf die zu verarbeitenden Chargen nicht modelliert wurden - in einigen Fällen kann es vorkommen, dass bei einem längeren Maschinenausfall das Material ausläuft und verschrottet werden muss.
  • Szenario 10 (Schlimmster Fall): In diesem Szenario wurde der "Murphy's Law"-Fall für das Labor getestet, einschließlich Zuverlässigkeitsproblemen bei den Maschinen (Szenario 9), einer Ausschussrate während des gesamten Prozesses (Szenario 8), Unstimmigkeiten bei der Ankunft der Schnüre (Szenario 7) und pessimistischen Verarbeitungszeiten (Szenario 4). Dies führte dazu, dass die Chargenleistung um 55 % sank, 37 % der kontrollierten Anzahl von Chargen verworfen wurden und die Auslastung des Verarbeitungstechnikers nur 40 % betrug.

Insgesamt zeigen die Ergebnisse dieser Experimente (siehe Abbildung 7), dass der Prozess ziemlich robust gegenüber mehreren Fehlermodi ist (längere Auftragszeiten als erwartet, Schwankungen beim Eintreffen der Kordeln, Probleme mit der Maschinenzuverlässigkeit und Ausschuss während des gesamten Prozesses). Die Differenz zwischen dem Output für das "perfekte"/Kontrollszenario und dem Worst-Case-Szenario (45 % des Kontroll-Outputs) erscheint angemessen. Alle Schwankungen bei der Technikerauslastung (siehe Abbildung 8) sind minimal und lassen sich leicht durch Unstimmigkeiten wie Engpässe im System erklären.

Schlanke Produktionskontrollen

Die Möglichkeit, diesen Produktionsprozess von Grund auf neu zu gestalten, bot die Möglichkeit, im Labor vom ersten Tag an eine Kultur der schlanken Produktion einzuführen. Die vorgeschlagenen Lösungen im Sinne der schlanken Produktion sind alle kostengünstig und einfach zu implementieren, zu verstehen und anzuwenden. Dazu gehören: tägliche "Morgenmarkt"-Besprechungen mit einer Problemlösungstafel, Poka-Yoke/visuelle Kontrollen an jeder Laborstation, eine "Chargenstatus"-Tafel im Kanban-Stil und eine von Heijunka inspirierte Zeitplantafel, Produktverfolgungskarten und die Verwendung von Milchläufen zur Nivellierung des Produktionsinputs. Diese schlanken Prozesse wurden durch Prozesszeiten und Arbeitspläne in das Simulationsmodell eingebettet, um sicherzustellen, dass die Mitarbeiter ausreichend Zeit haben, um alle Aufgaben zu erledigen.

Abbildung 7: Ergebnisse der einzelnen Systemsimulationen.

Auf der Grundlage dieser Daten wird dem Team empfohlen, den Prozess in der ersten Woche (oder länger), wenn die Produktion hochgefahren wird, langsam und vorsichtig anzugehen. Da der Prozessplan von vornherein festgelegt ist, wird es nicht unglaublich schwierig sein, am Ende des Tages aufzuholen, wenn Aufgaben im Rückstand sind, aber die Folgen von Fehlern und die Notwendigkeit, Chargen zu verwerfen, weil man die Schritte überstürzt hat, sind hoch. Da der Prozess eine einwöchige Anlaufzeit benötigt, bis die Linie nass ist (eine Charge in Bearbeitung an jeder Station), haben neue Techniker ausreichend Zeit, die Prozessschritte ohne Zeitdruck zu üben, um die Fehlerwahrscheinlichkeit zu verringern.

Die Auswirkungen auf das Unternehmen

Schlussfolgerung

In dieser Studie haben wir den Einsatz von Simulationen bei der Planung einer Bioproduktionsanlage für die Herstellung eines Produkts demonstriert, das für die Krebsfrüherkennung und individualisierte Behandlungen verwendet werden kann. Der vorgeschlagene Prozessplan ist einfach und gleichmäßig und führt zu einer hohen, aber nicht übermäßig anspruchsvollen Auslastung des Verarbeitungstechnikers. Die von mehreren Aufsichtsbehörden herausgegebenen Normen wurden geprüft und in das gesamte Labor- und Prozessdesign integriert, um die Einhaltung der Vorschriften und eine hohe Qualität zu gewährleisten. Das Laborlayout nutzt den Raum effizient, berücksichtigt die Lean-Prinzipien für das Anlagendesign und minimiert die Menge der für die Herstellung des Produkts erforderlichen Geräte. Eine detaillierte Simulationsanalyse bestätigt die Gültigkeit des Prozess- und Labordesigns, ermöglicht das Testen der Auswirkungen zahlreicher Szenarien auf die Produktionsleistung und bietet eine realitätsgetreue visuelle Darstellung des zukünftigen Raums, um Begeisterung zu wecken und proaktive Problemlösungen auszulösen. Schließlich werden schlanke Produktionskontrollen, einschließlich visueller Managementgeräte und Auslöser für Problemlösungen, das Labor auf den Weg der kontinuierlichen Verbesserung bringen, während sich das Unternehmen weiterentwickelt.

Biografien der Autoren

ANNIKA GARBERS studiert im Rahmen eines Doppeldiploms in der Abteilung für Industrie- und Systemtechnik am Rochester Institute of Technology. Sie hat ihren BS-Abschluss in Wirtschaftsingenieurwesen und ihren ME-Abschluss in Engineering Management erworben. Ihre E-Mail lautet amg1684@rit.edu.

Proceedings of the 2020 Winter Simulation Conference K.-H. Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder, and R. Thiesing, eds.

Annika Garbers
Victoria Nolletti
Michael E. Kuhl

Abteilung Industrie- und Systemtechnik
Rochester Institut für Technologie
Rochester, NY 14623, USA

Krista Stanislow

Abteilungen für biomedizinische Technik und öffentliche Ordnung
Rochester Institut für Technologie
Rochester, NY 14623, USA

Referenzen

Amerikanischer Verband der Gewebebanken (AATB). Standards for Tissue Banking.https://www.aatb.org/standards.
Amerikanische Krebsgesellschaft, Zentrum für Krebsstatistik.https://cancerstatisticscenter.cancer.org/.
Chhatre S., R. Francis, K. O'Donovan, N.J. Titchener-Hooker, A.R. Newcombe, und E. Keshavarz-Moore. 2007. "A Decision-Support Model for Evaluating Changes in Biopharmaceutical Manufacturing Processes". Bioprozess- und Biosystemtechnik 30(1):1-11.
Garcia, F. und M. Vandiver. 2016. "Throughput Optimization of Continuous Biopharmaceutical Manufacturing Facilities". PDA Journal of Pharmaceutical Science and Technology 71(3):189-205.
International Organization for Standardization (ISO). ISO 14644-1:2015.https://www.iso.org/cms/render/live/en/sites/isoorg/contents/data/standard/05/33/53394.html.
1639Garbers, Nolletti, Stanislow, und Kuhl Kuhn, W. 2006. "Digitale Fabrik - Simulation zur Verbesserung der Produkt- und Produktionsentwicklung". In Proceedings of the 2006 Winter Simulation Conference, herausgegeben von L.F. Perrone, F.P. Wieland, J. Liu, B.G. Lawson, D.M. Nicol, und R.M.
Fujimoto, 1899-1906. Piscataway, New Jersey: Institute of Electrical and Electronics Engineers, Inc.
Kulkarni, N. 2015. "Evaluating Bottlenecks and Support Functions using Simulations in Biotechnology Industry". In IIE Annual Conference Proceedings. Norcross, GA:Institute of Industrial Engineers.
Lakhdar K., und L. Papageorgiou. 2008. "An Iterative Mixed Integer Optimization Approach for Medium Term Planning of Biopharmaceutical Manufacture Under Uncertainty". Chemical Engineering Research and Design 86(3):259-267.
Leachman, R. C., L. Johnston, S. Li, and Z. Shen. 2014. "An Automated Planning Engine for Biopharmaceutical Production".
European Journal of Operational Research 238(1):327-338.
Li, D., G. Chiu, B. Lipe, R.A. Hopkins, J. Lillis, J.M. Ashton, S. Paul, O.S. Aljitawi. 2019. "Decellularized Wharton Jelly Matrix: a Biomimetic Scaffold for Ex Vivo Hematopoietic Stem Cell Culture." Blood Advances. 3(7):1011-1026.
Li, D., T.L. Lin, B. Lipe, R.A. Hopkins, H. Shinogle, O.S. Aljitawi. 2018. "A Novel Extracellular Matrix-based Leukemia Model Supports Leukemia Cells with Stem Cell-like Characteristics." Leukemia Research 72:105-112.
Lim, A. C., Y. Zhou, J. Washbrook, N. J. Titchener-Hooker, and S. Farid. 2004. "A Decisional-Support Tool to Model the Impact of Regulatory Compliance Activities in the Biomanufacturing Industry". Computer & Chemietechnik 28(5):727-735.
Nepal, B., M. Natarajarathinam, K. Balla. 2011. "Verbesserung des Herstellungsprozesses für biomedizinische Produkte: A Case Study".
Emerald Insight 22(4):527-540.
Sanatela. 2020. Sanatela Website.https://sanatelamedical.com/.
Stonier, A., D. Pain, A. Westlake, N. Hutchinson, N. F. Thornhill, und S. S. Farid. 2012. "Integration von stochastischer Simulation mit multivariater Analyse: Short-term Facility Fit Prediction". American Institute of Chemical Engineers 29(2):368-377.
Stonier, A., M. Smith, N. Hutchinson, und S. S. Farid. 2009. "Dynamic Simulation Framework for Design of Lean Biopharmaceutical Manufacturing Operations". Computer Aided Chemical Engineering 26:1069-1073.
U.S. Food and Drug Administration (FDA). CFR - Code of Federal Regulations Title 21.https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfcfr/CFRSearch.cfm?CFRPart=1271/.
U.S. Food and Drug Administration (FDA). 2019. Current Good Tissue Practice (CGTP) and Additional Requirements for Manufacturers of Human Cells, Tissues, and Cellular and Tissue-Based Products (HCT/Ps). http://www.fda.gov/ regulatory-information/.
Wang B. Martagan T. Corlu C. 2019. "Stochastic Simulation Model Development for Biopharmaceutical Production Process Risk Analysis and Stability Control". In Proceedings of the 2019 Winter Simulation Conference, edited by N. Mustafee, K-H.G. Bae, S. Lazarova-Molnar, M. Rabe, C. Szabo, P. Haas, and Y.-J. Son, 1989-2000. Piscataway, New Jersey: Institute of Electrical and Electronics Engineers, Inc.
Weltgesundheitsorganisation (WHO) (2018) Cancer - Key Facts.https://www.who.int/news-room/fact-sheets/detail/cancer/.