Datenanalyse und Qualitätssicherung für Pharma

Über den Kunden

Unser Kunde ist ein weltweit führendes Unternehmen im Bereich Veterinärpharmazeutika, Impfstoffe und innovativer Technologien, die die Gesundheit und das Wohlbefinden von Heimtieren und Nutztieren unterstützen. Im Rahmen dieses Projekts, das eng mit der Datenanalyse in der Pharmaindustrie verbunden ist, wurde Elinext aufgrund seiner Expertise in der Qualitätssicherung (QA) in der Pharmaindustrie angefragt und arbeitete eng mit der israelischen Niederlassung des Unternehmens zusammen.

Das Unternehmen kooperiert landesweit eng mit Tierärzten, landwirtschaftlichen Betrieben, Aufsichts- und Regulierungsbehörden sowie Vertriebspartnern. Ziel ist es, die Tiergesundheit durch evidenzbasierte Produkte und Dienstleistungen zu fördern, von leistungsstarken Impfstoffen und Antiparasitika bis hin zu digitalen Monitoring-Tools für das Herdenmanagement.

Im Projekt waren die Elinext-Spezialisten für automatisierte Tests von MATLAB-basierten Datenverarbeitungs- und Machine-Learning-Algorithmen sowie für die Vorbereitung ihrer Integration in Python-basierte Toolchains verantwortlich. Dank unserer umfassenden Erfahrung in der Python-Entwicklung sowie in der Entwicklung von Software für die Pharmaindustrie verlief die Zusammenarbeit effizient und zielgerichtet.

Geschäftliche Herausforderung

Der Kunde benötigte Datenanalyse für Pharma, genauer gesagt eine zuverlässige Möglichkeit zur Validierung und Analyse großer Mengen an Gesundheits- und Geolokalisierungsdaten, die von Wearables erfasst wurden, welche an Rindern eingesetzt sind. Diese Datenströme bildeten die Grundlage für Machine-Learning-Algorithmen, die Verhaltensänderungen erkennen, den Gesundheitszustand der Herde überwachen und Frühwarnsysteme für Landwirte unterstützen.

Die Herausforderung lag in der Komplexität und dem prädiktiven Charakter der Algorithmen, weshalb Qualitätssicherung für  Pharma erforderlich war. Die von den Sensoren eingehenden Daten lagen in unterschiedlichen Formaten vor, mussten vorverarbeitet werden und erforderten eine strenge Validierung, bevor sie für die Modellierung genutzt werden konnten. Um die Genauigkeit sicherzustellen, benötigte der Kunde einen robusten Testansatz, der Folgendes ermöglichen sollte:

• die Validierung einzelner Algorithmuskomponenten zur Verarbeitung von Sensordaten

• die Bestätigung des korrekten Verhaltens von Datenverarbeitungspipelines beim Zusammenspiel mehrerer Module
• die Unterstützung automatisierter und wiederholbarer Tests für sich weiterentwickelnde Machine-Learning-Modelle
• die Vorbereitung MATLAB-basierter Tests und Berechnungen für die Integration mit Python-basierter Analytics innerhalb eines einheitlichen Workflows

Kurz gesagt benötigte der Kunde Services für Datenanalyse sowie fundierte Erfahrung in QA in der Pharmaindustrie, insbesondere eine Testlösung, die MATLAB-basierte Berechnungen mit Python-Tooling verbindet und gleichzeitig Zuverlässigkeit über unterschiedliche Datensätze und algorithmische Module hinweg sicherstellt.

Prozess

Die Ingenieure von Elinext implementierten einen Integrationsansatz zur Umsetzung von Qualitätssicherung für Pharma, der die Ausführung von MATLAB-Tests sowie den Zugriff auf Testergebnisse über Python-Skripte ermöglichte. Dadurch wurden eine flexiblere Analyse, ein verbessertes Reporting und eine weitergehende Automatisierung bis zum Abschluss der Zusammenarbeit realisiert.

Für die Durchführung von Datenanalyse in der Pharmaindustrie wurde MATLAB als primäre Umgebung zur Validierung von Machine-Learning-Algorithmen eingesetzt, da es unterschiedliche Datentypen unterstützt und leistungsstarke integrierte Funktionen für automatisierte Tests bietet. Unser Ingenieur implementierte eine vollständige Suite aus Unit- und Integrationstests:

• Unit-Tests überprüften, ob einzelne Algorithmuskomponenten die rohen Sensordaten der Kühe korrekt verarbeiteten. Die auf dem Server erfassten Daten wurden in MATLAB-Testfälle eingespeist, um sicherzustellen, dass jede Funktion erwartete und stabile Ergebnisse lieferte.
• Integrationstests validierten vollständige Datenverarbeitungs-Workflows und stellten sicher, dass die einzelnen Module korrekt zusammenwirkten und in Kombination präzise Ergebnisse erzeugten.

Um die Testabdeckung zu erhöhen und die Validierung über verschiedene Umgebungen hinweg zu vereinfachen, forderte der Kunde im Rahmen der Datenanalyse in der Pharmaindustrie zusätzlich die Integration der in MATLAB geschriebenen Tests in Python. Die Elinext-Ingenieure implementierten eine Schnittstelle, über die MATLAB-Testergebnisse und -Daten über Python-Skripte abgerufen und validiert werden konnten. Dies ermöglichte eine deutlich flexiblere Analyse, ein erweitertes Reporting sowie eine höhere Automatisierung bis zum Ende der Zusammenarbeit.

Übersicht über das Endprodukt

Elinext führte Datenanalyse für Pharma durch und lieferte eine zuverlässige, vollständig validierte Testlösung, die die Machine-Learning-Algorithmen und Datenverarbeitungs-Workflows des Kunden unterstützt. Durch die Kombination der Rechenstärke von MATLAB mit der Flexibilität von Python stellte die Lösung sicher, dass alle von den an Rindern angebrachten Geräten erfassten Daten gründlich überprüft wurden, bevor sie für Analysen oder Vorhersagemodelle verwendet wurden.

Die finalen Ergebnisse umfassten:

• Eine vollständige Suite von MATLAB-Unit- und Integrationstests, die die zentrale algorithmische Logik abdeckten

• Automatisierte Validierung der Sensordaten zur Sicherstellung von Genauigkeit und Konsistenz
• Verbesserte Transparenz der Algorithmusleistung durch strukturiertes Test-Reporting

• Einen skalierbaren Testansatz, bereit zur Unterstützung zukünftiger Erweiterungen der ML-Modelle des Kunden

Dank der Datenanalyse in der Pharmaindustrie gewann der Kunde eine stabile Grundlage für die fortlaufende Entwicklung und Optimierung seiner Gesundheitsüberwachungs-Algorithmen, wodurch datengetriebene Erkenntnisse zuverlässig und präzise blieben.

Geschäftliche Auswirkungen für den Kunden

Die wichtigsten Ergebnisse unserer QA-Dienstleistungen, also der Zusammenarbeit im Bereich Qualitätssicherung für Pharma, umfassten:

• 35 % Verbesserung der Datenqualität, durch konsistente Validierung der Rohsensordaten vor der Modellverarbeitung
• Bis zu 50 % Reduzierung des manuellen Prüfaufwands, da automatisierte MATLAB-/Python-Tests manuelle Kontrollen ersetzten
• 30 % schnellere Iterationszyklen bei Updates der Machine-Learning-Modelle, dank sofortiger Erkennung algorithmischer Fehler
• 40 % höhere Systemzuverlässigkeit, da Integrationstests stabile End-to-End-Datenflüsse sicherstellten
• 25 % Verbesserung der Genauigkeit von Frühwarnsystemen, unterstützt durch besser validierte Gesundheits- und Geolokalisierungsdaten

Diese Optimierungen im Bereich Datenanalyse in der Pharmaindustrie stärkten die Fähigkeit des Kunden, Tierärzten und Landwirten zeitnahe und präzise Erkenntnisse bereitzustellen.