1Uvod
Kljub temu, da je farmacevtska industrija zaradi strogih
regulatornih zahtev in omejitev že tradicionalno nekoliko
zadržana pri vpeljevanju novih pristopov, številne prednosti
51 farm vestn 2021; 72
DIGITALIZACIJA 
PRI OBVLADOVANJU
PODATKOV,
PROCESOV 
IN DOKUMENTOV 
V FARMACEVTSKEM
RAZVOJU GENERIČNIH
ZDRAVIL
DIGITALISATION FOR DATA,
PROCESS AND DOCUMENT
MANAGEMENT 
IN PHARMACEUTICAL
DEVELOPMENT 
OF GENERIC MEDICINES
AVTORJA / AUTHORS:
dr. Grega Hudovornik, mag. farm.
dr. Klemen Korasa, mag. farm.
Krka, d. d., Novo mesto, 
Šmarješka cesta 6, 8501 Novo mesto
NASLOV ZA DOPISOVANJE / CORRESPONDENCE:
E-mail: grega.hudovornik@krka.biz 
POVZETEK
Digitalizacija v zadnjem obdobju spreminja način
delovanja mnogih industrijskih panog in v vse več-
jem obsegu vpliva tudi na razvoj generičnih zdravil
v farmacevtski industriji. Pojem digitalne transfor-
macije v farmacevtski industriji je izjemno širok in
obsega tako različne načine zajema in obvladovanja
podatkov skozi življenjski cikel izdelka kot transfor-
macijo v smislu povečanega poudarka na person-
alizirani medicini. V članku se osredotočamo na
elektronske sisteme za obvladovanje podatkov,
orodja procesno analizne tehnologije in ob-
vladovanje dokumentov v fazi registracije izdelka,
ki trenutno močno spreminjajo način farma-
cevtskega razvoja v generični industriji.
KLJUČNE BESEDE: 
digitalizacija, farmacevtski razvoj, obvladovanje po-
datkov, procesno analizna tehnologija
ABSTRACT
Digitalisation has recently changed the way many
industries operate and is increasingly influencing
the development of generic medicines in the phar-
maceutical industry. The idea of digital transforma-
tion in the pharmaceutical industry is very broad
and ranges from different ways of capturing and
managing data throughout the product life cycle to
transformation in terms of increased emphasis on
personalised medicine. This article focuses on elec-
tronic data management systems, process analyti-
cal technology tools and on document management
in the registration phase, which are significantly
changing the pharmaceutical development in the
generic industry.
KEY WORDS: 
data management, digitalisation, pharmaceutical
development, process analytical technology
P
R
E
G
LE
D
N
I Z
N
A
N
S
TV
E
N
I Č
LA
N
K
I  
dobre proizvodne prakse za ustrezen nadzor poskrbljeno
tudi preko regulative FDA 21 CFR (Code of federal regula-
tions), del 11 (9), ki se nanaša na elektronske zapise in
podpise, ter preko aneksa 11 evropske dobre proizvodne
prakse (10), ki se nanaša na vse računalniške sisteme.  
Obseg digitalnih pristopov, uporabnih v farmacevtskem
razvoju, je izredno širok in lahko zajema zgolj enostavno
beleženje parametrov med izvedbo laboratorijskega
poskusa do uporabe na oblaku osnovanih tehnologij, ki
lahko lastnosti novega zdravila prilagodijo izidu
posameznikove terapije. Stopnja in način digitalizacije zno-
traj posameznega podjetja sta odvisna od poslovnega
modela ter ocene, kateri pristopi so res ključni za hitrejši in
učinkovitejši razvoj ter večjo konkurenčnost. V članku po-
drobneje opisujemo nekatere že uveljavljene pristope ter
tiste pristope, za katere pričakujemo, da se bodo v gener-
ični farmacevtski industriji še naprej uveljavljali v bližnji pri-
hodnosti. 
2obvladovanje razvojnihPodatkov
Količina podatkov, ki jih ustvarimo pri razvoju novega
izdelka, se v zadnjih letih povečuje z veliko hitrostjo. Digitalni
zapis omogoča večina laboratorijske in tehnološke opreme,
ki jo uporabljamo pri tehnološkem in analiznem razvoju ter
izdelavi zdravil. Ob naraščajoči kompleksnosti razvoja
novega zdravila in s tem povezanim večjim številom izve-
denih eksperimentov ter posledično naraščajočimi stroški
je optimalna izkoriščenost vseh pridobljenih podatkov, ki
jih moramo skozi razumevanje in pravilno interpretacijo
preliti v znanje o izdelku, še toliko bolj pomembna. Bistvo
digitalne transformacije pri razvoju farmacevtskih izdelkov
je, da s pomočjo digitalnih orodij raziskovalcem omogočimo
izrabo vseh pridobljenih podatkov. 
Osnovo pri obvladovanju podatkov predstavljajo digitalne
oblike zapisa. Uporaba laboratorijskih informacijskih siste-
mov (LIMS, laboratory information management system)
in elektronskih laboratorijskih dnevnikov (ELN, electronic
laboratory notebook) je v razvojnih okoljih že precej razšir-
jena. Uporabljamo jih tako v razvojno-raziskovalnih okoljih,
ki niso striktno podvržena zahtevam dobrih praks, kot tudi
v izjemno visokoreguliranih okoljih, kjer celovitost podatkov
in sledljivost vzorcev predstavljata temelj vseh postopkov.
Tak primer so izvedbe primerjalnih kliničnih raziskav (t. i.
bioekvivalenčnih študij), kjer pri posamezni raziskavi ust-
digitalnih tehnologij v zadnjem času vodijo do njihove vse
večje uporabe. Obseg digitalizacije je pogosto večji v fazi
razvoja, ki je v primerjavi s kasnejšo fazo proizvodnje zdravil
regulatorno nekoliko manj omejena in nadzorovana.
Tovrstne tehnologije se zato vse bolj uporabljajo tako pri
zajemu, analizi in obdelavi različnih podatkov kot pri načr-
tovanju, vrednotenju in kontroli kritičnih atributov izdelka
ter procesnih parametrov v farmacevtskem razvoju (1).  
Težnjo in potrebo po modernizaciji farmacevtske industrije
so prepoznale tudi regulatorne agencije, ki v zadnjih letih
preko nabora različnih smernic proizvajalce zdravil vse bolj
nagovarjajo k vpeljevanju sodobnih tehnoloških pristopov.
Leta 2004 je tako Ameriški vladni urad za zdravila in
prehrano (FDA) objavil poročilo iniciative farmacevtske do-
bre proizvodne prakse za 21. stoletje, ki med drugim proiz-
vajalce zdravil spodbuja k čim večji in hitrejši vpeljavi novih
tehnoloških pristopov v razvoj in proizvodnjo farmacevtskih
izdelkov (2). V iniciativi kot enega izmed ključnih sistemov
za zagotavljanje proizvodnje kakovostnega zdravila na os-
novi znanosti in obvladovanja tveganj omenjajo procesno
analizno tehnologijo (PAT). PAT konsistentno zagotavlja
končno kakovost izdelka preko skrbnega načrtovanja for-
mulacije in procesa v razvoju izdelka ter z meritvami in ob-
vladovanjem kritičnih atributov kakovosti izdelka med pro-
cesom proizvodnje zdravila (3). Cilj tovrstnih orodij je
doseganje visoke stopnje razumevanja in obvladovanja
razvoja in proizvodnje zdravil na način, da je kakovost v
zdravilo vgrajena in ni vanj »vtestirana« zgolj preko končne
sprostitvene analize. Govorimo o konceptu načrtovanja
kakovosti QbD (quality by design), ki ga med drugim povze-
majo smernice ICH Q8 (farmacevtski razvoj), Q9 (ob-
vladovanje tveganj) in Q10 (farmacevtski sistem kakovosti)
(4). Smernica Q8 govori o pomenu definiranja ključnih
povezav med atributi kakovosti končnega izdelka, lastnos-
tmi vgrajenih surovin in med izdelavo uporabljenimi pro-
cesnimi parametri v razvoju novega zdravila (5). Z ob-
vladovanjem kritičnih točk razvoja in izdelave, ki lahko
povzročijo neustrezno kakovost končnega izdelka se uk-
varja smernica Q9 (6), medtem ko smernica Q10 govori o
doseganju načrtovane kakovosti, učinkovitem nadzoru
kakovosti ter stalnem izboljševanju skozi celoten življenjski
cikel izdelka (7). Vsem trem je skupna uporaba statističnih
in analitičnih pristopov za obvladovanje tveganj, ki pa
dosežejo visoko napovedno vrednost zgolj ob zadostni
količini razpoložljivih podatkov. Za takšne namene mora
jasno uporabnik podatkov poskrbeti tudi za njihovo us-
trezno celovitost (8). Celovitost digitalnega podatka je v
farmacevtski industriji še posebej pomembna, saj lahko
le-ta neposredno vpliva na javno zdravje, zato je v okviru
52
D
IG
IT
A
LI
Z
A
C
IJ
A
 P
R
I O
B
V
LA
D
O
VA
N
JU
 P
O
D
AT
K
O
V,
 P
R
O
C
E
S
O
V
 IN
 D
O
K
U
M
E
N
TO
V
 V
 F
A
R
M
A
C
E
V
TS
K
E
M
 R
A
Z
V
O
JU
 G
E
N
E
R
IČ
N
IH
 Z
D
R
A
V
IL
farm vestn 2021; 72
53 farm vestn 2021; 72
P
R
E
G
LE
D
N
I Z
N
A
N
S
TV
E
N
I Č
LA
N
K
I  
varimo nekaj tisoč vzorcev. Ključnega pomena za vero-
dostojnost rezultatov, na katerih temelji dokaz primerljivosti
generičnega zdravila, je zagotavljanje sledljivosti in origi-
nalnosti teh vzorcev in opravljenih analiz. Uporaba digitalnih
orodij zaradi velike količine podatkov precej olajša ob-
vladovanje tega področja.
Opisana programska okolja predstavljajo prvi korak digi-
talizacije razvojnega dela in jih lahko uporabljamo tako na
področju izvedbe formulacijskih poskusov kot v analizi
razvojnih vzorcev. V osnovi so okolja laboratorijskih infor-
macijskih sistemov namenjena obvladovanju vzorcev in
zapisov rezultatov meritev, okolja elektronskih laboratorijskih
dnevnikov pa so namenjena zapisovanju postopkov
izvedbe poskusov in analiz. Novejše rešitve, ki jih uvajamo,
omogočajo integracijo obeh sistemov, kar omogoča celovit
pregled in digitalizacijo dela v laboratorijih, vse od izvedbe
poskusov in priprave vzorcev do analize in zapisov rezul-
tatov. Prehod na elektronsko obliko zapisa omogoča tudi
transformacijo v načinu dela raziskovalnih laboratorijev, saj
za pripravo predpisov in zapisov izvedbe poskusov
uporabljamo izključno elektronske naprave. Prednost
takšnega zapisa je zagotovo lažje prilagajanje oblike zapisa,
saj je v elektronski obliki bistveno lažje pripraviti zapis, ki
sledi izvedbi poskusov in analiz. Lažja sta tudi načrtovanje
poskusov in priprava navodil za delo. Ključna prednost pa
so seveda podatki, zapisani v elektronski obliki, kar ob
primerni obliki zapisa omogoča prenos podatkov in infor-
macij o poskusu v poročila.  
Na tej stopnji se začne prava digitalna transformacija, ki
predstavlja izziv za prihodnost in nudi bistveno širšo
uporabno vrednost za raziskovalce in industrijo. Digitalizacija
podatkov nam ob omenjeni hitri rasti količine le-teh
omogoča, da iz zajetih podatkov izluščimo znanje, ki ga
uporabimo za razvoj kakovostnih, varnih in učinkovitih zdravil.
Vzpostavitev podatkovnih baz z zbranimi razvojnimi podatki
nam omogoča njihovo obdelavo, združevanje in pregled,
uporabo multivariatnih statističnih metod in rudarjenje po-
datkov. Raziskovalci lahko tako dobijo boljši vpogled v po-
datke in lažje poiščejo povezave med testiranimi parametri,
kar vodi v hitrejši in stroškovno bolj učinkovit razvoj izdelkov.
Ob uporabi naprednih programskih orodij lahko raziskovalci
več časa posvetijo načrtovanju in izvedbi poskusov ter in-
terpretaciji rezultatov, saj ni več potrebe po zamudnemu
zbiranju podatkov. Tak pristop spreminja in bo v prihodnosti
korenito spremenil način dela razvojnih skupin. 
Pri analizi velike količine podatkov so zelo uporabni tudi
pristopi z uporabo umetne inteligence in strojnega učenja.
V formulacijskem razvoju in optimizaciji izdelkov je že precej
uveljavljen pristop nevronskih mrež. V enem izmed primerov
so avtorji proučevali uporabo nevronskih mrež in mehke
logike pri optimizaciji tabletiranja (11). Predvsem v raziska-
vah novih zdravilnih učinkovin, naprednih dostavnih siste-
mov in genske terapije danes že uporabljamo tudi napred-
nejše pristope mehke logike, kot je npr. genski algoritem
ali pristop prenesenega učenja (12). Z napredkom
tehnologije in povečevanjem obsega podatkov lahko
pričakujemo, da bodo ti pristopi v prihodnosti uporabni
tudi pri razvoju in optimizaciji formulacij.
Pri obvladovanju podatkov v razvoju zdravil moramo slediti
tudi vsem zahtevam za celovitost podatkov (data integtity),
ki jo predpisujejo regulatorne agencije. Ključno pri vseh
podatkih je, da je znan izvor oz. lastnik podatka (Attribut-
able) ter da je podatek berljiv (Legible), zabeležen v realnem
času (Contemporaneous), originalen oz. nespremenjen
(Original) in točen (Accurate). Ključne lastnosti za doseganje
integritete podatka tako v literaturi in smernicah pogosto
povzamemo s kratico ALCOA (8). 
Dodatno moramo pri podatkih zagotoviti še, da so celoviti
(complete), skladni (consistent), trajni (enduring) in
razpoložjivi (available). Združene zahteve za obvladovanje
podatkov v literaturi poimenujejo tudi s kratico ALCOA+.
Celovito obvladovanje podatkov tako vključuje tudi skrbno
načrtovanje upravljanja s podatki od nivoja zajema oz. za-
pisa na elektronski napravi do shranjevanja, pregleda in
odobravanja. Eden ključnih elementov, ki zagotavlja zahteve
regulatornih agencij, je tudi revizijska sled zapisov (audit
trail), ki spremlja vsak elektronski zapis (13).
3Procesno analiznatehnologija
Kot smo omenili v uvodu članka, predstavlja PAT skupek
medsebojno povezanih orodij, ki nam omogočajo načrto-
vanje, analizo in kontrolo proizvodnje s pomočjo medpro-
cesnih meritev kritičnih atributov kakovosti in učinkovitosti
vhodnih surovin, medizdelkov in proizvodnih postopkov s
ciljem zagotavljanja končne kakovosti izdelka. Osnovo PAT-
a predstavljajo orodja, ki omogočajo učinkovit zajem, ob-
vladovanje in obdelovanje podatkov ter načrtovanje
poskusov na način, da zajamejo čim širši nabor parametrov
proizvodnega prostora. PAT pri tem uporablja štiri ključna
orodja. To so statistična orodja za načrtovanje, zajem in
analizo podatkov, procesni analizatorji, orodja za procesno
kontrolo ter pristopi za obvladovanje znanja in stalno
izboljševanje (3).  
54
D
IG
IT
A
LI
Z
A
C
IJ
A
 P
R
I O
B
V
LA
D
O
VA
N
JU
 P
O
D
AT
K
O
V,
 P
R
O
C
E
S
O
V
 IN
 D
O
K
U
M
E
N
TO
V
 V
 F
A
R
M
A
C
E
V
TS
K
E
M
 R
A
Z
V
O
JU
 G
E
N
E
R
IČ
N
IH
 Z
D
R
A
V
IL
farm vestn 2021; 72
Farmacevtski izdelki predstavljajo fizikalno zelo kompleksne
večfaktorske sisteme, zato je pri definiranju povezav med
kritičnimi atributi zdravila, lastnostmi vhodnim materialov in
procesnimi parametri potrebno uporabljati multivariatna
(MVA) statistična orodja. V prvi vrsti so to orodja za načr-
tovanje eksperimentov. Takšna orodja nam omogočajo zas-
novo eksperimentalnih sklopov na način, da bomo z njimi
karseda učinkovito pokrili čim širše področje vrednotenja,
po zaključeni izvedbi poskusov pa nam omogočajo učinkovito
in slikovito definiranje povezav med parametri vrednotenja
(npr. metoda odzivnih površin, slika 1). Ravno tako nam ta
skupina orodij omogoča postavljanje modelov za napove-
dovanje lastnosti zdravila iz meritev procesnih analizatorjev,
modelov za učinkovito kontrolo in krmiljenje procesa v real-
nem času ter podatkovno rudarjenje v podatkovnih bazah.
Gre torej za ključni vezni člen med vsemi zgoraj naštetimi
orodji PAT. V zadnjem času se vse bolj uporabljajo tudi pristopi
za simulacijo gibanja materialov med procesom, kot sta na
primer računska dinamika tekočin (14) in diskretna elementna
metoda (15), ter pristopi modeliranja na osnovi umetne in-
teligence (16). Na tem mestu je smiselno omeniti tudi koncept
digitalnega dvojčka, ki predstavlja virtualno različico de-
janskega fizikalnega sistema. Digitalni dvojček se kreira na
osnovi realno-časovnih procesnih podatkov (procesni para-
Slika 1: V raziskavi smo s pomočjo metode odzivnih površin določili vpliv procesnih parametrov v fazi temperiranja na hitrost sproščanja
zdravilne učinkovine iz pelet s podaljšanim sproščanjem (19). V naslednjem koraku smo postavili model PLS, ki nam je na osnovi meritev NIR
omogočal napoved hitrosti sproščanja zdravilne učinkovine v realnem času (20).
Figure 1: Response surface methodology was used in our study to determine the effect of process parameters during the curing phase on
the release rate of the active ingredient from the prolonged release pellets (19). In our further study, a PLS model, which enabled real time
release rate prediction from the NIR spectra, was calibrated (20). 
55 farm vestn 2021; 72
P
R
E
G
LE
D
N
I Z
N
A
N
S
TV
E
N
I Č
LA
N
K
I  
metri, procesne meritve, podatki procesnih analizatorjev) in
predhodnega znanja ter nam omogoča boljši pregled, nadzor,
razumevanje in obvladovanje procesa (17). Predvsem pri
slednjem so nam v pomoč prej našteti pristopi za napove-
dovanje in simulacijo procesa. 
Procesni analizatorji nam omogočajo opravljanje multi-
variatnih meritev med procesom izdelave zdravila. S takim
pristopom merjenja pridobimo zelo veliko količino po-
datkov, ki nam z ustrezno statistično obdelavo omogočajo
iskanje povezav med meritvijo in atributi zdravila. V far-
macevtski industriji najpogosteje uporabljamo spek-
troskopske procesne analizatorje (npr. bližnja infrardeča
(NIR) in Ramanska spektroskopija), saj lahko iz spektralnih
podatkov z uporabo multivariatnih modelov napovedujemo
Slika 2: Možnost kontrole procesa izdelave zdravila s pomočjo orodij PAT. V tem primeru proces izdelave zdravila spremljamo s pomočjo
procesnega analizatorja, ki svoje meritve pošilja modulu za upravljanje sistema PAT. Ta s pomočjo predhodno umerjenih modelov omogoča
napovedovanje vrednosti kritičnih atributov kakovosti zdravila v realnem času. Napovedane vrednosti nato posredujemo modulu za kontrolo
procesa, ki lahko na osnovi vrednosti kritičnih atributov kakovosti in podatka o vrednosti procesnih parametrov opravi ustrezno korekcijo
procesa. Vsi podatki, zajeti med procesom, se hranijo na ustreznem mestu, kar uporabniku omogoča tako pripravo različnih poročil kot
nadaljnjo obdelavo podatkov s ciljem optimizacije procesa.  
Figure 2: Possibility of process control in manufacturing of medicines by using PAT tools. Medicine manufacturing process is monitored by
the process analyser, which sends its measurements to the PAT system management module. Such module can use previously calibrated
models to predict critical quality attributes values in real time. Predicted values are then forwarded to process control tool, which can
perform suitable process correction based on the measured critical quality attributes values and the applied process parameters information.
All of the data logged during the process are stored on the server, enabling the user of the PAT system preparation of various reports and
further data management with the aim of additional process optimisation.   
56
D
IG
IT
A
LI
Z
A
C
IJ
A
 P
R
I O
B
V
LA
D
O
VA
N
JU
 P
O
D
AT
K
O
V,
 P
R
O
C
E
S
O
V
 IN
 D
O
K
U
M
E
N
TO
V
 V
 F
A
R
M
A
C
E
V
TS
K
E
M
 R
A
Z
V
O
JU
 G
E
N
E
R
IČ
N
IH
 Z
D
R
A
V
IL
farm vestn 2021; 72
večje število kritičnih atributov kakovosti hkrati (npr. vseb-
nost, velikost delcev, kinetika sproščanja/raztapljanja
zdravilne učinkovine). V zgodnji fazi farmacevtskega
razvoja so tovrstna orodja pomembna predvsem za študij
mehanizma procesa, skozi razvoj izdelka pa že lahko
postavimo modele, ki nam omogočajo učinkovitejši prenos
izdelka v proizvodno merilo ter spremljanje in kontrolo red-
nih proizvodnih serij. V proizvodnem merilu lahko z us-
trezno postavljeno procesno analitiko pripravimo tudi kon-
trolne karte, ki nam povedo, ali je proces znotraj
pričakovanega intervala zaupanja.  
Z ustrezno statistično obdelavo procesnih podatkov že
med izdelavo zdravila pridobimo podatek o vrednosti
posamičnega kritičnega atributa kakovosti, kar nam v
naslednjem koraku omogoča korekcijo procesa s pomočjo
orodij za procesno kontrolo. Ta skupina orodij ne igra
ključne vloge v fazi razvoja izdelka, saj se v tej fazi tako
formulacija kot tehnološki postopek šele oblikujeta. Lahko
pa preko razumevanja povezav med kritičnimi procesnimi
parametri in kritičnimi atributi kakovosti postavimo dobro
podlago za vpeljavo orodij krmiljenja procesa v proizvodnji.
So pa tako za razvoj kot proizvodnjo pomembni pristopi
za stalno izboljševanje in obvladovanje znanj. Na ta
način v podatkovnih bazah obvladujemo podatke, ki nam
omogočajo tako optimizacijo in reševanje problematike na
obstoječih izdelkih kot podporne podatke za hitrejši in
učinkovitejši razvoj.
Uporabnost orodij PAT smo ponazorili tudi z našimi dose-
danjimi raziskavami za spremljanja procesa oblaganja pelet,
s katerimi smo pokazali, da lahko z uporabo spektroskop-
skih tehnik (NIR in Ramanska spektroskopija) ter z uporabo
tehnik za določanje velikosti delcev (tehnika prostorskega
filtriranja (SFT) in slikovna analiza) v kombinaciji z multiva-
riatno obdelavo podatkov že med samim procesom obla-
ganja pelet določamo lastnosti izdelka, kot so velikost
pelet, debelina obloge, vsebnost vode in hitrost sproščanja
zdravilne učinkovine. Hkrati pa lahko s tovrstnimi orodji
zaznamo pojav morebitnih motenj v procesu, kot je npr.
začetek aglomeracije peletnih delcev ali krušenje obloge s
podaljšanim sproščanjem (18, 20). Raziskave smo dodatno
podkrepili z razvojem pristopa kalibracije multivariatnih mo-
delov za spremljane procesa v proizvodnem merilu s po-
močjo vzorcev, pripravljenih na laboratorijski opremi, ter s
simulacijo spremljanja procesa oblaganja pelet s kar štirimi
različnimi procesnimi analizatorji (21). 
Orodja PAT lahko precej pripomorejo pri učinkovitemu in
znanstveno zasnovanemu razvoju izdelka, še več prednosti
pa tako v razvoju kot v kasnejši proizvodnji prinaša dobro
zasnovana souporaba vseh orodij PAT (slika 2). Po drugi
strani postavitev učinkovitega sistema PAT zahteva velik
začetni vložek, zato je potrebno pri postavitvi obsega upo-
rabe tovrstnih rešitev upoštevati tako kompleksnost izdelka
kot njegov pomen za podjetje.  
4obvladovanje Podatkovna PodročjU registracijzdravil
Zaključku razvojnega dela novega izdelka sledi postopek
registracije pri pristojnih agencijah. Na področju pridobi-
vanja dovoljenj za promet z novim zdravilom je že od 2008
obvezna oddaja dokumentov v elektronski obliki za cen-
tralizirane postopke. S tem se je začela uporaba tudi za
ostale registracijske postopke v EU. Dokumente pripravl-
jamo v standardizirani obliki eCTD (eletronic Common
Technical Document). Vendar je področje še vedno dokaj
nepodprto z bolj podatkovno orientiranimi storitvami. Zato
je že nekaj let v teku implementacija standardov ISO na
področju identifikacije medicinskih izdelkov (IDMP, identi-
fication of medicinal products). IDMP vključuje vsebino
petih  standardov ISO (ISO 11238, ISO 11239, ISO 11240,
ISO 11616, ISO 11615) (22). Cilj je priprava standard-
iziranih podatkovnih baz, ki bodo služile boljšemu ob-
vladovanju farmakovigilance, elektronskih receptov, od-
krivanju ponarejenih zdravil, hitrejšemu odzivu ob
pomanjkanju zdravil in odpoklicih izdelkov. Podatki bodo
uporabljeni tudi za namene inšpekcij in regulatorne ak-
tivnosti. Celoten nabor je združen v okviru podatkovnih
storitev SPOR (substance, product, organisations, refer-
entials). Vsebina povzema standarde ISO in vključuje več
področij. Področje substanc zajema podatke in definicije
za enoznačno identifikacijo vseh sestavin izdelkov. Na po-
dročju medicinskih izdelkov so vključeni osnovni podatki
za harmonizacijo podatkov o registriranih medicinskih
izdelkih (dovoljenje za promet, medicinski podatki, paki-
ranja …). Področje organizacij vsebuje podatke o imetniku
dovoljena za promet, proizvajalcu, sponzorjih raziskav ter
del regulatornih podatkov. Področje referenc pa pokriva
podatke o izdelku, kot so farmacevtska oblika, jakosti,
način aplikacije itd. 
V letošnjem letu EMA načrtuje izdajo dopolnjene izdaje
smernic na področju upravljanja podatkov o izdelkih (IDMP,
identification of medicinal products), ki bo implementirala
precejšnji del prej omenjenih standardov ISO, nato naj bi v
naslednjem letu sledila nova izdaja. Industrija bo morala
zahteve smernic implementirati v naslednjih letih in se na
57 farm vestn 2021; 72
P
R
E
G
LE
D
N
I Z
N
A
N
S
TV
E
N
I Č
LA
N
K
I  
spremenjein način že pospešeno pripravlja z urejanjem
matičnih podatkov na nivoju izdelkov.  
5skleP
Digitalizacija pri razvoju novih generičnih izdelkov je us-
merjena predvsem v boljšo izkoriščenost digitaliziranih po-
datkov in že uveljavljenih orodij za spremljanje procesov.
Količina podatkov je zato z napredkom tovrstnih tehnologij
zrasla do te mere, da jih brez naprednih  programskih
rešitev ni možno več obvladati. Z digitalnimi orodji
povečamo izplen pridobljenih podatkov za razvoj ter za
ustvarjanje znanja o izdelku. Znanje in poznavanje izdelka
pa je ključnega pomena tako za uspešno izveden razvoj
kot kasneje za prenos v industrijsko merilo in ponovljivo
izdelavo zdravil. V prihodnosti lahko pričakujemo, da bomo
napredne tehnologije umetne inteligence še v večji meri
uporabljali na področju razvoja formulacij in industrijske
proizvodnje. Zaradi kompleksnosti razvoja zdravil pa bodo
še kar nekaj časa digitalna orodja ostala predvsem dober
pripomoček raziskovalcem za bolj učinkovito izrabo po-
datkov, namenjenih razumevanju izdelkov.
6literatUra
1. Fotheringham S. Technology Trends: The Transition to
Digitalization. ISPE. 2020 September / October Available from:
https://ispe.org/pharmaceutical-engineering/september-october-
2020/technology-trends-transition-digitalization.  
2. FDA. Pharmaceutical CGMPs for the 21s Century - A risk-based
approach. 2004. Available from:
https://www.fda.gov/media/77391/download.  
3. FDA. Guidance for Industry Guidance for Industry PAT — A
Framework for Innovative Pharmaceutical Development,
Manufacturing, and Quality Assurance. 2004. Available from:
https://www.fda.gov/media/71012/download.  
4. EMA. Quality by Design (QbD). [cited 2020 Jan 23]. Available
from: https://www.ema.europa.eu/en/human-regulatory/research-
development/scientific-guidelines/quality/quality-quality-design-qb
d.  
5. ICH guideline Q8 (R2) on pharmaceutical development. 2017.
Available from:
https://www.ema.europa.eu/en/documents/scientific-
guideline/international-conference-harmonisation-technical-require
ments-registration-pharmaceuticals-human-use_en-11.pdf.   
6. ICH guideline Q9 on quality risk management. 2015. Available
from: https://www.ema.europa.eu/en/documents/scientific-
guideline/international-conference-harmonisation-technical-
requirements-registration-pharmaceuticals-human-use_en-3.pdf.  
7. ICH guideline Q10 on pharmaceutical quality system. 2015.
Available from:
https://www.ema.europa.eu/en/documents/scientific-
guideline/international-conference-harmonisation-technical-require
ments-registration-pharmaceuticals-human_en.pdf. 
8. EMA. Guidance on good manufacturing practice and good
distribution practice: Questions and answers. [cited 2020 Jan 23].
Available from: https://www.ema.europa.eu/en/human-
regulatory/research-development/compliance/good-manufacturin
g-practice/guidance-good-manufacturing-practice-good-
distribution-practice-questions-answers.  
9. FDA. Guidance for Industry, Part 11, Electronic Records;
Electronic Signatures — Scope and Application. 2003. Available
from: https://www.fda.gov/regulatory-information/search-fda-
guidance-documents/part-11-electronic-records-electronic-signat
ures-scope-and-application.  
10. European Commission. EudraLex, The Rules Governing Medicinal
Products in the European Union, Volume 4, Good Manufacturing
Practice, Medicinal Products for Human and Veterinary Use.
Annex 11: Computerised Systems. 2010. Available from:
https://ec.europa.eu/health/sites/health/files/files/eudralex/vol-
4/annex11_01-2011_en.pdf.  
11. Belič A, Škrjanc I, Zupančič-Božič D, Karba R, Vrečer F.
Minimisation of the capping tendency by tableting process
optimisation with the application of artificial neural networks and
fuzzy models. Eur. J. Pharm. Sci. 2009. 73(1): 172-178. 
12. Damiati, SA. Digital Pharmaceutical Sciences. AAPS
PharmSciTech 2020. 21: 206. 
13. Pharmaceutical inspection convention (PIC). Good Pactices for
Data Management and Integrity in Regulated GMP/GDP
Environments. November 2018. Available from:
https://picscheme.org/users_uploads/news_news_documents/PI
_041_1_Draft_3_Guidance_on_Data_Integrity.pdf.
14. Pordal HS, Matice CJ, Fry TJ. Computational fluid dynamics in the
pharmaceutical industry. Pharm. Techol. February 2002. 
15. Ketterhagen WR, am Ende MT, Hancock BC. Process Modeling
in the Pharmaceutical Industry using the Discrete Element
Method. J. Pharm. Sci. 2009. 98(2): 442-470.  
16. Ekins S. The next era: deep learning in pharmaceutical research.
Pharmaceutical research. 2016.  33(11): 2594-2603. 
17. Chen Y, Yang O, Sampat C, Bhalode P, Ramachandran R,
Ierapetritou M. Digital Twins in Pharmaceutical and
Biopharmaceutical Manufacturing: A Literature Review.
Processes. 2020. 8(9): 1088. 
18. Hudovornik G, Korasa K, Vrečer F. A study on the applicability of
in-line measurements in the monitoring of the pellet coating
process. Eur. J. Pharm. Sci. 2015. 75: 160-168.
19. Hudovornik G, Vrečer, F. Impact of the curing parameters on drug
release from Eudragit RS and RL 30D coated pellets: Design of
experiments. J. Drug Deliv. Sci. Technol. 2015. 30: 146–153. 
20. Korasa K, Hudovornik G, Vrečer F. Applicability of near-infrared
spectroscopy in the monitoring of film coating and curing process
of the prolonged release coated pellets. Eur. J. Pharm. Sci. 2016.
vol. 93: 484–492.
21. Korasa K, Vrečer F. A Study on the Applicability of Multiple
Process Analysers in the Production of Coated Pellets. Int. J.
Pharm. 2019. 560: 261-272.
22. EMA. EU IG – EU Implementation Guide. October 2019. [cited
2020 Jan 28]. Available from:
https://www.ema.europa.eu/en/documents/presentation/present
ation-eu-implementation-guide_en.pdf