Computer vision voor kwaliteitsinspectie in farma (GMP)

Computer vision voor kwaliteitsinspectie in farma onder GMP gebruikt getrainde vision-modellen om automatisch defecten op te sporen — deeltjes in vials, gebarsten ampullen, verkeerde vulhoogtes, defecte stoppers, misdrukte blisters en onleesbare serialisatiecodes — met een consistentie die menselijke inspecteurs over een hele dienst niet kunnen evenaren. Wat het onderscheidt van algemene computer vision in de maakindustrie is het regelgevingsgewicht eromheen: onder EU-GMP (inclusief Annex 1 voor steriele producten) is het model een computersysteem dat gevalideerd moet zijn, onder wijzigingsbeheer moet blijven en een volledig, ALCOA+-conform audittrail moet produceren voordat ook maar één batch op zijn beslissing wordt vrijgegeven. In de praktijk is het algoritme het makkelijke deel — de validatie, de gelabelde defectdata en de uitlegbaarheid die een inspecteur verlangt, daar zit het echte werk.

Waarom kwaliteitsinspectie in farma niet zomaar "computer vision in de maakindustrie" is

Als u ons stuk over computer vision voor kwaliteitsinspectie in de maakindustrie heeft gelezen, is de kerntechnologie hier dezelfde: camera's, verlichting, getrainde modellen die defecten classificeren of segmenteren, vaak met toezicht van een operator bij een afkeurstation. Het verschil in farma is niet de camera — het is alles wat om dat model heen zit.

Een kras op een beugel aan een autolijn is een afvalkostenpost. Een gemist deeltje in een injecteerbaar product, een haarscheurtje in een ampul of een verwisseld label op een hoogrisicogeneesmiddel is een patiëntveiligheidsincident en een mogelijke recall — met een toezichthouder, een aangemelde instantie en mogelijk de pers eraan vast. Die asymmetrie verandert het hele engineeringprobleem. U jaagt niet op een goede detectiegraad — u jaagt op een verdedigbaar proces met vrijwel nul defecten, waarvan u elke beslissing later kunt reconstrueren en onderbouwen.

Het verandert ook hoe u met belanghebbenden praat. Aan een algemene lijn is de koper meestal de operatie en is de maatstaf doorvoer of afval. In farma staat of valt uw project met QA, het validatieteam en de Qualified Person — mensen wier taak het is om sceptisch te zijn over alles wat nieuw is in het vrijgavepad. Win hen vroeg voor uw zaak, of het beste model ter wereld gaat nooit live.

Drie dingen maken farma anders:

• Vrijwel nul tolerantie. Een vangstpercentage van 98% dat een algemene fabriek zou verheugen, is een falend proces voor een steriel injecteerbaar product. De kosten van een vals-negatief meet u in schade en recalls, niet in herbewerking.
• Zware toezichtsdruk. Uw inspectiesysteem is een *computersysteem* onder GMP. Het moet gespecificeerd, gevalideerd, versiebeheerd en auditeerbaar zijn — en een inspecteur kan vragen het allemaal te zien.
• Data-integriteit. Elke beslissing die het systeem neemt, en elke wijziging eraan, moet traceerbaar zijn. Resultaten die niet te reconstrueren zijn, zijn voor compliancedoeleinden resultaten die niet hebben plaatsgevonden.

De GMP-context: Annex 1, batchvrijgave en data-integriteit

Good Manufacturing Practice is de wettelijke ondergrens voor het maken van geneesmiddelen in de EU. Het wordt gehandhaafd door nationale inspectiediensten (in Nederland de IGJ; in heel Europa gecoördineerd via het EMA en de nationale bevoegde autoriteiten), en een bevinding kan uw fabricagevergunning schorsen. Zodra een vision-systeem in het vrijgavepad zit, erft het dus dat niveau van toezicht.

Voor steriele producten stelt EU-GMP Annex 1 (de herziene versie die sinds augustus 2023 van kracht is) verwachtingen rond een gedocumenteerde Contamination Control Strategy en de inspectie van containers op kritische defecten — precies het werk waarvoor computer vision geschikt is. Als uw fill-finish-lijn vials, ampullen, voorgevulde spuiten of cartridges produceert, is Annex 1 het document dat uw QA-team u zal voorhouden, en het document waarnaar uw inspectie-acceptatiecriteria moeten herleiden.

Twee andere begrippen vormen elk project voor geautomatiseerde inspectie:

• Batchvrijgave. Een Qualified Person (QP) tekent elke batch af voordat die patiënten bereikt. Als een vision-systeem bepaalt welke eenheden slagen, wordt zijn uitvoer onderdeel van het bewijs waarop de QP vertrouwt — dus de betrouwbaarheid moet bewezen zijn, niet verondersteld.
• Data-integriteit / ALCOA+. Inspectiedata moet Attributable, Legible, Contemporaneous, Original en Accurate zijn, plus Complete, Consistent, Enduring en Available. In de praktijk betekent dat resultaten met tijdstempel, dichtgetimmerde gebruikerstoegang, bewaarde afkeurbeelden en logs waarop knoeien zichtbaar wordt.

Er is ook een documentatieregime — computersysteemvalidatie (CSV), door toezichthouders steeds vaker geherformuleerd als de risicogebaseerde CSA-aanpak (Computer Software Assurance) — dat regelt hoe u aantoont dat het systeem doet wat het hoort te doen. CSA is hier belangrijk omdat het u toelaat uw testinspanning te leggen waar het patiëntrisico zit, in plaats van documentatie om de documentatie te genereren; voor een AI-visiestation betekent dat zwaar bewijs op defectdetectie en een veel lichtere aanpak voor laagrisico-configuratieschermen.

De VS noemt de data-integriteitslaag 21 CFR Part 11 (elektronische records en handtekeningen); het EU-equivalent staat in EU-GMP Annex 11. De meeste CDMO's en exporteurs bouwen naar beide, omdat dezelfde lijn vaak naar beide markten levert. Praktisch betekent dat dat het vision-systeem unieke gebruikerslogins, rolgebaseerde toegang, tijdgesynchroniseerde beveiligde klokken, vergrendelde audittrails en controles voor elektronische handtekeningen op elke vrijgaverelevante actie nodig heeft — functies die u moet specificeren vóór u een platform kiest, niet achteraf erop bouwt.

Waar computer vision in farma echt helpt

De sterkste toepassingen zijn de inspecties met hoge volumes, veel herhaling en veel vermoeidheid, waar de menselijke consistentie over een dienst wegzakt. De duidelijkste winst:

• Geautomatiseerde visuele inspectie van vials, ampullen en spuiten. Detecteren van deeltjes en vreemd materiaal in de vloeistof, scheuren en afsplinteringen in glas, afwijkingen in de vulhoogte en defecten aan stoppers of crimp-seals. Dit is het klassieke AVI-station, en daar gaat het meeste farma-budget voor computer vision naartoe.
• Inspectie van gevriesdroogde cake (lyo). Gevriesdroogd product is berucht lastig voor regelgebaseerde vision — meltback, krimp, scheuren, verkleuring en deels gevormde cakes variëren op manieren die vaste drempels frustreren maar een getraind model passen.
• Inspectie van blisters en verpakking. Lege vakjes, gebroken of verkeerde tabletten, vervormde folie en sealintegriteit aan snel lopende lijnen.
• Verificatie van labels, bijsluiters en serialisatie. Het juiste label, de juiste tekst, leesbare druk en verificatie van 2D Data Matrix-codes voor track-and-trace onder de EU Falsified Medicines Directive (FMD). Een niet-overeenkomende of onleesbare code blokkeert de vrijgave.
• Cosmetische en container-closure-defecten. Vegen, krassen, contaminatie aan de buitenkant en sluitingsfouten die de steriliteitsborging raken.

AI-gebaseerde vision verdient zijn plek juist daar waar defecten variabel en moeilijk in vaste regels te vatten zijn — de lyo-cake, subtiele cosmetische fouten, twijfelgevallen van deeltjes die in bewegende vloeistof zweven. Voor volledig deterministische controles (is de Data Matrix aanwezig en leesbaar? valt de vulhoogte binnen een vaste band?) is conventionele regelgebaseerde machine vision vaak goedkoper, sneller en veel makkelijker te valideren, omdat het gedrag volledig gespecificeerd is in plaats van aangeleerd. Een goed project gebruikt voor elk station het juiste gereedschap in plaats van overal een neuraal netwerk op te dringen — en een van de waardevolste dingen die een eerlijke beoordeling doet, is u vertellen welke stations helemaal *geen* AI nodig hebben.

Het loont ook om twee dingen te scheiden die vaak op één hoop worden gegooid. Deeltjesinspectie in een gevulde vial is een echt lastig probleem, zwaar op beweging en optica, waar AI oudere deterministische systemen kan overtreffen. Controleren of een doosje de juiste bijsluiter bevat, is grotendeels een kwestie van aanwezigheid en OCR. Behandel ze als verschillende projecten met verschillende validatie-inspanning, ook al delen ze een camerabank.

Hoe GMP-computer vision verschilt van generieke CV

Aan een generieke lijn traint u een model, meet u de nauwkeurigheid, zet u het uit en itereert u vrij. Onder GMP draagt vrijwel elk van die stappen een verplichting.

• Validatielast. Vóór go-live maakt u een validatiepakket — eisen (URS), functionele en ontwerpspecificaties, en IQ/OQ/PQ-kwalificatie met gedocumenteerd testbewijs — dat aantoont dat het systeem betrouwbaar presteert over de defectset die het moet vangen.
• Volledige audittrails. Elke classificatie, elke override door een operator, elke parameter wordt gelogd met wie, wat en wanneer. Afkeurbeelden worden bewaard. De registratie moet u in staat stellen elke beslissing uit het verleden te reconstrueren.
• Uitlegbaarheid. "Het model zei het" overleeft geen audit. U moet kunnen tonen *waarom* een eenheid is afgekeurd — defectlocalisatie, zekerheid en de toegepaste regel of drempel — zodat QA en inspecteurs de beoordeling kunnen vertrouwen.
• Wijzigingsbeheer. U kunt een productiemodel niet stilletjes hertrainen. Een nieuwe modelversie, een aangepaste verlichting, zelfs een firmware-update van een camera is een beheerste wijziging met impactanalyse en, vaak, gedeeltelijke hervalidatie.
• GxP-discipline in het geheel. Rollen, trainingsdossiers, functiescheiding en SOP's strekken zich uit tot de mensen die het systeem bedienen, niet alleen tot de software.

Daarom loopt een farma-CV-project dat het kwaliteitssysteem negeert vast. Het model kan uitstekend zijn en de implementatie faalt toch, omdat het bewijspakket, het audittrail of het wijzigingsbeheerplan een bijzaak was. Bouw ze er vanaf dag één in.

De levenscyclus van het model onder GMP

Een gevalideerd vision-systeem is geen eenmalige oplevering; het is een beheerste levenscyclus. Denk in drie doorlopende fasen.

Validatie (vóór vrijgave). Stel een representatieve, gelabelde defectbibliotheek samen — inclusief de zeldzame, hoog-ernstige defecten die u het meest moet vangen — en vergrendel de dataset, zodat de versie die u valideerde de versie is waarnaar u een inspecteur kunt verwijzen. Definieer de acceptatiecriteria vooraf (detectiegraad per defectklasse, het vals-afkeurpercentage dat de lijn kan verdragen) en bewijs ze vervolgens via OQ/PQ-runs op echt product onder productieomstandigheden, niet alleen op een schone testset. Een model dat goed scoort op gecureerde beelden en uiteenvalt tegen echte reflecties, luchtbellen en meniscuseffecten is niet gevalideerd — het is gedemonstreerd.

Monitoring (in bedrijf). Een model dat de validatie doorstond, kan alsnog verouderen naarmate glasleveranciers, formuleringen, verlichting of productmix veranderen. U volgt afkeurpercentages, trends in vals-afkeuren en eventuele ongebruikelijke zekerheidspatronen, en u daagt het systeem periodiek opnieuw uit met bekende defecte monsters. Het trenden van die data voedt ook de doorlopende procesverificatie.

Wijzigingsbeheer (in de tijd). Wanneer u wél moet hertrainen — nieuwe defecttypes, een nieuw product, een correctie voor veroudering — is dat een gedocumenteerde wijziging: impactanalyse, hervalidatie-omvang, goedkeuring en een schone versiehistorie van model, dataset en configuratie. Goede MLOps-praktijk (versiebeheer van dataset en model, reproduceerbare training) is wat GMP-wijzigingsbeheer draaglijk maakt in plaats van pijnlijk. Bent u dit aan het afbakenen, dan beschrijven onze computer vision-dienst en de praktische gids over hoe u een AI-pilot uitvoert hoe wij het validatiewerk gefaseerd aanpakken.

De overlap tussen de EU AI Act en GxP

Twee regelgevingsstelsels raken nu een farma-vision-project, en het zijn niet hetzelfde.

GxP/GMP regelt het geneesmiddel en het fabricageproces — het is altijd van toepassing. De EU AI Act regelt het AI-systeem als product, met regels voor verboden gebruik die al sinds begin 2025 van kracht zijn en het grootste deel van de hoogrisico- en governanceverplichtingen die gefaseerd ingaan tussen 2026 en 2027. Voor de meeste toepassingen van kwaliteitsinspectie in een fabriek valt het AI Act-risiconiveau eerder in de gematigde dan in de hoge categorie, maar u erft toch plichten rond datagovernance, technische documentatie, gebeurtenislogging, menselijk toezicht en transparantie — waarvan uw GMP-validatiebewijs veel al in een andere vorm oplevert. Het slimme is om de twee kaders één keer op elkaar te leggen, elke AI Act-eis te koppelen aan het GMP-artefact dat eraan voldoet, en te voorkomen dat u twee parallelle documentatiesystemen draait die uit elkaar gaan lopen.

Er is een belangrijke grens. Als uw vision-systeem onderdeel is van, of zelf is, een medisch hulpmiddel of in-vitrodiagnosticum, valt het waarschijnlijk onder MDR of IVDR in plaats van (of naast) de algemene route van de AI Act — een geheel ander pad voor conformiteitsbeoordeling. Kwaliteitsinspectie aan een productielijn is meestal geen medisch hulpmiddel; software die een klinische beslissing voedt, meestal wel. Krijg die classificatie vroeg goed, want het verandert alles stroomafwaarts.

We gaan dieper op de praktische verplichtingen in EU AI Act-compliance voor Nederland en de stapsgewijze AI Act-compliancechecklist. Voor kleinere fabrikanten houdt de AI Act voor het mkb de scope proportioneel.

De eerlijke grenzen: validatie en data zijn het lastige deel

Het is verleidelijk te denken dat het algoritme de bottleneck is. Dat is het bijna nooit. Moderne detectie- en segmentatiemodellen zijn volwassen; de echt lastige onderdelen van een GMP-vision-project zijn weinig glamoureus.

• Defectdata is schaars. Lijnen met vrijwel nul defecten produceren per definitie zeer weinig echte defecten. U heeft mogelijk gefabriceerde defectmonsters, zorgvuldige augmentatie en een defectbibliotheek nodig die over maanden is opgebouwd, om een model eerlijk te trainen en te valideren.
• Beeldvorming is de halve strijd. Verlichting, optica en hoe een transparante vial of reflecterende folie zich aan de camera toont, doen vaak meer ter zake dan de netwerkarchitectuur. Deeltjesdetectie in vloeistof is in de eerste plaats een natuurkunde- en opticaprobleem.
• Validatie is de lange paal. De documentatie, kwalificatieruns en acceptatiebewijzen kosten doorgaans meer tijd dan het bouwen van het model — en terecht, want dat is wat het systeem betrouwbaar en vrijgeefbaar maakt.
• Vals-afkeuren kosten ook iets. Een model dat is afgesteld om alles te vangen, keurt goed product af en frustreert de lijn. Het balanceren van detectie tegen het vals-afkeurpercentage is een doelbewuste, gevalideerde afweging, geen toeval.

Wie u een kant-en-klaar, zichzelf-validerend farma-vision-systeem belooft, verkoopt de makkelijke 20%. De waarde zit in de gedisciplineerde 80% eromheen — en dat is precies het deel dat een generieke leverancier doorgaans overslaat.

Hoe Crux Digits een farma-CV-project aanpakt

Wij zijn een boutique-AI-consultancy uit de EU in Nieuwegein, vlak bij Utrecht, en werken in het Engels en Nederlands met farma-, CDMO- en medtech-teams in Nederland, Ierland en de bredere EU. We werken in projecten met vaste scope en transparante prijzen, en u bent eigenaar van alles wat we bouwen — de modellen, de code, de validatie-artefacten — zonder vendor lock-in.

Voor een kwaliteitsinspectievraagstuk is de verstandige weg meestal een kleine, eerlijke eerste stap in plaats van een big-bangprogramma:

• Een AI Audit & Strategie (vast EUR 2.500) om de haalbaarheid op uw eigen product en defectset te beoordelen, de GMP- en AI Act-verplichtingen in kaart te brengen en u onomwonden te vertellen of CV het juiste gereedschap is voor dat station.
• Een Proof of Concept (vast EUR 20.000) op representatief product en een echte defectbibliotheek, met het validatietraject vanaf het begin afgebakend — zodat de PoC een stap is richting een vrijgeefbaar systeem, niet een wegwerpdemo.
• Een Production Launch (vanaf EUR 50.000) die het gevalideerde, auditklare systeem oplevert plus de documentatie die uw QA-team nodig heeft voor batchvrijgave.

Bent u dit aan het afwegen, dan geven onze notitie over wat een AI-proof-of-concept kost en de hub voor de maakindustrie nuttige achtergrond. Bent u er klaar voor, dan is een kort gratis adviesgesprek de snelste manier om uit te vinden of uw inspectieprobleem goed past bij computer vision — en we zeggen u eerlijk als dat niet zo is.

Veelgestelde vragen