Hoe ga je om met deviaties?

Wat dit artikel behandelt

De focus van dit artikel ligt op risicogebaseerde classificatie, gestructureerde root-cause-analyse, effectieve CAPA en de integratie van deviation-data in het bredere pharmaceutical quality system (PQS). Basiskennis van GMP/GDP-terminologie wordt verondersteld.

Deviation-classificatie

De meeste organisaties werken met een driedeling: critical, major, minor. Dat is een vertrekpunt, geen eindpunt. Een statische classificatie leidt ertoe dat deviations met uiteenlopende risicoprofielen dezelfde onderzoeksdiepte krijgen. Het gevolg: te veel tijd aan laagrisico-events, te weinig aan de deviations die er werkelijk toe doen.

ICH Q9 toepassen op deviation-classificatie

ICH Q9 biedt een kader om classificatie risico-proportioneel te maken. Drie factoren sturen de diepte van het onderzoek:

• Severity: wat is de potentiële impact op productkwaliteit, patiëntveiligheid of data integrity?
• Probability of recurrence: hoe waarschijnlijk is herhaling, gegeven het proces, de apparatuur en de historische data?
• Detectability: in hoeverre vangen bestaande controles (IPC, eindcontrole, monitoringsystemen) de afwijking op voordat het product de patiënt bereikt?

Een voorbeeld: een afwijking in de Environmental Monitoring van een cleanroom (grade B) met een enkele colony forming unit net boven de actielimiet heeft een beperkte severity als het product aansluitend gesteriliseerd wordt en de detectability hoog is door routine monitoring. Dezelfde overschrijding in een aseptisch vulproces zonder terminale sterilisatie verschuift de classificatie aanzienlijk. Dezelfde meetwaarde, een totaal ander risicoprofiel.

Geïsoleerde events, recurrente deviations en trendmatige signalen onderscheiden

Niet elke deviation staat op zichzelf. De vraag is: is dit een incident of een symptoom? Drie categorieën verdienen onderscheid:

1. Geïsoleerd event: eenmalig, duidelijke oorzaak, geen vergelijkbare voorvallen in de recente historie. Een éénmalige labelfout door een verkeerd ingestelde printer na onderhoud is daar een voorbeeld van.
2. Recurrente deviation: dezelfde of sterk vergelijkbare afwijking herhaalt zich binnen een proces, product of locatie. Drie temperatuuroverschrijdingen in hetzelfde distributietraject binnen een kwartaal vallen hier onder.
3. Trendmatig signaal: individueel voldoen events aan specificaties, maar een opwaartse of neerwaartse drift is zichtbaar. Denk aan geleidelijk stijgende bioburden-waarden die nog binnen de limiet vallen maar richting de actielimiet bewegen.

Het onderscheid bepaalt of een deviation met een lokale correctie kan worden afgesloten of dat escalatie naar een breder onderzoek, procesvalidatie-review of managementbesluit nodig is.

Gestructureerde onderzoeksmethoden voor deviation-analyse

Het juiste root-cause-analysetool kiezen voor het type deviation

Geen enkel tool is universeel geschikt. De keuze hangt af van de complexiteit en het karakter van de deviation:

• 5-Whys: effectief bij relatief eenvoudige, lineaire oorzaakketens. Geschikt voor een enkelvoudige afwijking in een goed begrepen proces. Het risico is dat de analyse stopt bij het eerste plausibele antwoord in plaats van door te vragen.
• Ishikawa (visgraatdiagram): bruikbaar wanneer meerdere mogelijke oorzaakcategorieën (mens, machine, methode, materiaal, milieu, meting) systematisch moeten worden geëvalueerd. Goed startpunt bij deviations in productieprocessen met veel variabelen.
• Fault-tree analysis: geschikt voor complexe, veiligheidskritische deviations waar de combinatie van meerdere falende barrières tot het event heeft geleid.
• Is/Is-Not-analyse: sterk bij deviations waar het event zich wél op één lijn/shift/batch voordoet maar niet op een andere. De vergelijking tussen wat wel en niet afwijkt focust het onderzoek snel.

Het kiezen van een tool is niet het doel. Het doel is een onderbouwde root cause die verifieerbaar is. Ongeacht het gekozen tool: documenteer welke hypothesen zijn overwogen en waarom ze zijn bevestigd of uitgesloten.

Human-error-attributies kritisch evalueren

"Operator error" is een van de meest voorkomende root-cause-conclusies in deviation-records. Het is zelden de werkelijke oorzaak. Wanneer een operator een stap overslaat, de verkeerde parameter instelt of een verkeerd materiaal pakt, is de vervolgvraag: waarom was dat mogelijk?

Onderzoek de lagen onder de menselijke fout:

• Was de SOP ondubbelzinnig en actueel?
• Was de training aantoonbaar effectief, of bestond ze alleen uit het lezen en ondertekenen van een document?
• Liet het systeemontwerp de fout toe? Een weegschaal die geen alarm geeft bij een out-of-range gewicht is een systeemfactor, geen operatorfout.
• Waren de werkomstandigheden (vermoeidheid, tijdsdruk, onderbezetting) bijdragend?

Een root cause die eindigt bij "operator error" zonder deze analyse zal bij inspectie niet standhouden.

Het onderzoek documenteren 

Inspecteurs beoordelen niet alleen de conclusie, maar het pad ernaartoe. De deviation-record moet bevatten:

• Een duidelijke beschrijving van het event, inclusief wie, wat, wanneer, waar.
• Tijdlijn van het onderzoek met contemporaneous documentation: notities, meetdata, logboeken, schermafdrukken.
• Evaluatie van de impact op het betrokken product (batchdispositie) en op andere batches of producten.
• Onderbouwing van de root cause met bewijs, niet alleen met een narratief.
• Traceerbaarheid naar de CAPA die uit de root cause volgt.

Vermijd achteraf gereconstrueerde verhalen. Noteer bevindingen wanneer ze worden gedaan, niet weken later vanuit het geheugen.

Effectieve CAPA's ontwerpen vanuit deviation-bevindingen

Correction, corrective action en preventive action in de praktijk onderscheiden

Deze drie termen worden consequent door elkaar gebruikt:

• Correction: de directe actie om het geconstateerde probleem op te lossen. Voorbeeld: een batch in quarantaine plaatsen na een afwijkend testresultaat.
• Corrective action: de actie die de oorzaak van de geconstateerde deviation wegneemt zodat hetzelfde probleem niet terugkeert. Voorbeeld: een sensorkalibratieprotocol herzien nadat een defecte sensor tot een temperatuurdeviatie leidde.
• Preventive action: de actie die de oorzaak van een potentieel probleem wegneemt, voordat het zich (opnieuw) voordoet op andere locaties, producten of processen. Voorbeeld: na de sensordeviatie alle vergelijkbare sensoren op andere lijnen beoordelen en het kalibratieprotocol site-breed aanpassen.

Wijs elk element expliciet toe in het deviation-record. Dat maakt de logica controleerbaar.

CAPA-effectiviteitscriteria en verificatietermijnen instellen

"Medewerker hertrainen en monitoren" is de default CAPA in veel organisaties. Het probleem: het is zelden meetbaar en adresseert vrijwel nooit de systeemoorzaak.

Definieer bij elke CAPA concrete effectiviteitscriteria. Voorbeelden:

• Na implementatie van een herzien reinigingsprotocol: nul gerelateerde deviations in de volgende zes maanden en swab-resultaten binnen specificatie gedurende drie opeenvolgende validatiebatches.
• Na aanpassing van een error-proofing mechanisme op een vullijn: nul vulgewicht-deviations gerelateerd aan de specifieke faalwijze gedurende een gedefinieerde periode.

Stel een verificatiedatum vast bij het openen van de CAPA, niet achteraf. Een CAPA zonder einddatum en zonder meetbaar criterium is een open einde dat bij inspectie als onvolledig wordt beoordeeld.

Deviatie-data integreren in het pharmaceutical quality system

Deviation-trending en periodieke kwaliteitsreview-inputs

Individuele deviations leveren incidentele inzichten. De werkelijke waarde ontstaat bij aggregatie. Deviation-data zijn een directe input voor de Product Quality Review (PQR) en voor management review conform ICH Q10.

Effectieve trending vereist consistente categorisatie. Als de ene site een temperatuuroverschrijding registreert als "opslagdeviatie" en een andere als "omgevingsconditie", is vergelijking onmogelijk. Standaardiseer categorieën en gebruik ze consequent.

Analyseer periodiek op frequentie per productlijn, per processstap, per site en per root-cause-categorie. Signalen die op individueel batchniveau onzichtbaar blijven, worden op trendniveau herkenbaar.

Veelvoorkomende deviatie observaties

Bevindingen uit inspecties richten zich herhaaldelijk op dezelfde thema's. EU GMP Chapter 1 en Chapter 8 bevatten de kernvereisten voor deviations en CAPA. FDA 21 CFR 211 stelt vergelijkbare verwachtingen vanuit het perspectief van cGMP. Typische observaties:

• Onderzoeken die stoppen bij een symptoom in plaats van een root cause te identificeren.
• CAPA die niet traceerbaar is naar de geïdentificeerde root cause.
• Herhaalde deviations van hetzelfde type zonder escalatie of herziening van eerder ineffectief gebleken CAPA.
• Ontbreken van trending of het niet benutten van trending-resultaten in PQR of management review.
• Onvoldoende impactbeoordeling op andere batches of producten.
• Geen of ontoereikende tijdlijnen voor CAPA-implementatie en effectiviteitsverificatie.

Deze bevindingen zijn geen verrassingen. Ze weerspiegelen bekende systeemzwakheden die met discipline en structuur te voorkomen zijn.

Belangrijkste aandachtspunten

• Classificeer deviations risico-proportioneel met severity, probability of recurrence en detectability als sturende factoren, niet alleen op basis van een statische critical/major/minor-tabel.
• Kies het root-cause-analysetool op basis van de complexiteit van de deviation. Documenteer welke hypothesen zijn overwogen en uitgesloten.
• Accepteer "operator error" niet als eindpunt. Onderzoek de procedurele, trainings- en systeemfactoren die de fout mogelijk maakten.
• Onderscheid correction, corrective action en preventive action expliciet in elk deviation-record.
• Definieer meetbare effectiviteitscriteria en verificatietermijnen bij het openen van een CAPA.
• Gebruik deviation-data als input voor PQR, trending en management review om patronen te herkennen die op individueel niveau onzichtbaar blijven.
• Zorg voor duidelijke escalatiecriteria in het QMS voor situaties die externe melding of recall vereisen.