Aperçu
Une start-up biotechnologique, qui fournit un traitement médical personnalisé expérimental, a voulu effectuer des simulations de fabrication pharmaceutique axées sur les données afin d'optimiser les processus décisionnels lors de la livraison de nouveaux produits. Ces produits faisaient l'objet d'essais cliniques, et les processus de fabrication demeuraient flous pendant que l'approbation de la Food and Drug Administration (FDA) des États-Unis était en attente. L'entreprise manquait de ressources, mais il était crucial de produire ses produits aussi vite que possible et sans défaillances. En outre, le processus de fabrication des produits se compose de phases séquentielles d'une durée totale de plusieurs semaines, et pour les patients en phase terminale, la livraison en temps opportun était critique.
La forme de traitement personnalisé de pointe de l'entreprise peut être extrêmement coûteuse, surtout dans les premiers stades. L'économie à l'échelle ne peut pas être réalisée parce que les produits sont très personnalisés pour chaque patient. Pendant les essais cliniques, les produits pharmaceutiques sont produits en très petites quantités, tandis que le processus de production est en constante évolution en fonction des réponses des patients. L'entreprise avait besoin d'un outil numérique pour tester le futur environnement de fabrication de masse et identifier les goulots d'étranglement. Ses dirigeants ont retenu les services de Princeton Consultants pour développer un modèle de simulation de fabrication pharmaceutique du futur processus de production et optimiser la prise de décision.
Problème
Princeton Consultants a élaboré un modèle pour le futur processus de fabrication et la stratégie de planification des installations à partir de données simulées, car aucune donnée réelle n'était disponible. Les consultants devaient déterminer la capacité de production maximale que l'installation pouvait atteindre sans perte de qualité. La priorité était de prévenir les défaillances de production, il était donc nécessaire de détecter les goulots d'étranglement possibles et d'évaluer les options pour les supprimer à l'aide d'un modèle de simulation de production pharmaceutique. Si une erreur se produisait pendant la production, le processus long devait être redémarré dès le début, les ressources étaient gaspillées et, surtout, le patient pourrait ne pas avoir assez de temps pour recevoir un traitement.
Un petit nombre de machines, utilisées à différentes phases, ont été impliquées dans environ 50% de la production. Cet équipement était coûteux et volumineux et ne pouvait pas être complété. L'optimisation de son utilisation nécessitait la hiérarchisation des produits et des procédures à diverses phases de production, en fonction de la perpétration d'un retard dans chaque phase.
Une autre ressource rare était le personnel. Des opérateurs hautement qualifiés ont mené certaines procédures du début à la fin, même si elles ont duré plusieurs heures. Lors de certaines procédures, les opérateurs n'ont pas pu être remplacés. Par conséquent, les plages de travail ont duré de 10 à 12 heures, dont quatre à cinq heures par jour dans la salle d'intervention. Les heures supplémentaires étaient très coûteuses et devaient être réduites au minimum.
Lorsque le projet de simulation pharmaceutique a commencé, l'équipe de Princeton Consultants a rencontré des problèmes de modélisation inhabituels associés à des exigences spécifiques.
- Les développeurs n'avaient pas de statistiques et de mesures pour confirmer que le modèle de simulation pharmaceutique fonctionnait correctement parce que le processus de fabrication pharmaceutique lui-même n'était pas finalisé.
- Pour éviter les interruptions de processus, de grands intervalles tampons ont été introduits. Cette politique a réussi à minimiser les défaillances, mais a également conduit à des temps d'arrêt de l'équipement prolongés parce que les machines n'ont pas été utilisés pour la plupart du temps tampon. Il était nécessaire de trouver un équilibre et de déterminer le temps minimum nécessaire pour réduire les défaillances.
- La simulation s'est étendue de 80-120 jours, ce qui a considérablement ralenti l'algorithme de planification. En fait, 90 % du temps a été consacré à la planification, plutôt qu'à la simulation réelle.
En outre, la planification était complexe pour plusieurs produits fabriqués simultanément avec les mêmes ressources rares qui devaient être préservées pour éviter les défaillances de traitement. Les objectifs de la simulation de fabrication pharmaceutique étaient de prioriser les procédures, de minimiser les défaillances, d'accroître l'utilisation efficace des ressources, de réduire la durée globale de la production et de minimiser les heures supplémentaires pour les exploitants.
Solution
Princeton Consultants a choisi la simulation de fabrication pharmaceutique AnyLogic comme plate-forme pour développer le modèle parce qu'elle a fourni la possibilité de combiner des approches basées sur le comportement des agents et des événements discrets dans un modèle. Pour le développement de modèles, il était avantageux que le logiciel AnyLogic ait un cadre d'expérience personnalisable intégré qui facilite l'évaluation et la comparaison des scénarios. AnyLogic est un logiciel basé sur Java, de sorte que les modélisateurs pourraient apporter une API solveur.
Démonstration de modèle de simulation pharmaceutique
Aux premiers stades du développement, le modèle reflétait le processus prototype qui existait lors des essais cliniques. La justesse du comportement du modèle de base a été vérifiée sur ce processus prototype. Des modifications de processus et de nouvelles fonctionnalités ont ensuite été ajoutées. Après chaque itération, des tests intensifs ont été effectués. Les résultats détaillés et les mesures clés ont été suivis et examinés par le projet et les équipes de clients afin de déterminer s'ils étaient raisonnables compte tenu des hypothèses.
Afin de déterminer le volume tampon optimal, une simulation a été réalisée avec différents paramètres et scénarios, équilibrant le risque et la récompense en fonction du nombre d'échecs. Les résultats de la simulation de fabrication pharmaceutique ont permis de mieux comprendre les problèmes de synchronisation pour affiner la taille du tampon.
Les événements dynamiques, les blocs de retenue et les délais d'attente ont été utilisés pour gérer la façon dont les agents se déplaçaient à travers des points limités par les ressources dans le processus, les retirant parfois de certains blocs de flux de processus et les insérant dans une partie antérieure du flux. L'état actuel et futur de chaque agent et la flexibilité de l'horaire qui en a résulté ont été suivis et transmis au planificateur.
L'ensemencement de la dernière version du modèle avec la solution la plus récente a permis une réduction significative du temps de résolution. Une nouvelle logique de rééchelonnement a également été mise en œuvre. Au lieu de chaque heure, l'équipe du projet n'a été reportée que lorsque cela était nécessaire, par exemple lorsqu'un produit a échoué pendant le traitement et qu'il a dû être redémarré. Le raccourcissement de l'horizon de planification à une fenêtre plus fiable a également amélioré les performances.
Résultats
La simulation de fabrication pharmaceutique a permis d'économiser des mois de temps de développement et a permis au startup biothèque d'évaluer les changements potentiels épouvantent être apportés aux processus de fabrication avant la fin d’installation des dispositifs de fabrication. Le modèle a joué un rôle déterminant dans l'affinage des zones de processus les plus susceptibles d'entraîner des défaillances ou une utilisation excessive des ressources. En conséquence, un meilleur algorithme de planification plus fiable a été développé.
Sur la base des résultats de la simulation, Princeton Consultants a déterminé que certains des changements proposés conduiraient à une meilleure architecture des processus, mais imposerait également des besoins supplémentaires en ressources pour le système déjà limité. Les dirigeants de l'entreprise ont décidé de concentrer leurs efforts de recherche sur des domaines critiques afin de réduire les points d'utilisation des ressources lourdes. La simulation a facilité la détermination du nombre de commandes pouvant être traitées pendant une certaine période de temps et le temps recommandé pour les terminer. L'entreprise a recueilli des renseignements de grande valeur sur le processus de fabrication pharmaceutique et, par conséquent, a défini des politiques de planification pour utiliser au mieux les exploitants sans heures supplémentaires excessives ni sureffectifs.
Regardez la vidéo de Patricia Randall, présentant cette étude de cas à la conférence AnyLogic, ou téléchargez la présentation.
