Le PQR rédigé avant même que la réunion commence
Chaque fin d'année, la même course : agréger douze mois de données de stabilité et de production, repérer les dérives avant qu'elles deviennent des problèmes, et produire un Product Quality Review qui satisfait à la fois le GMP, la QP et la deadline. Un agent fait le dépouillement et rédige la première version. Voici à quoi ressemble le livrable.
En bref
Pour qui : équipes CMC, production, assurance qualité
Le problème : 3 à 5 semaines de collecte et rédaction manuelle pour chaque PQR, avec un risque élevé de manquer une dérive discrète sur douze points de mesure
Le résultat : une première version complète — synthèse de tendance, tableau de stabilité, sections rédigées — livrée à la QP pour relecture et signature
Le gain : de 3 à 5 semaines à 3 à 5 jours de travail net ; aucune valeur recalculée par l'IA ; revue systématique de tous les points présents dans le LIMS
Le quotidien aujourd'hui
Le Product Quality Review (PQR), aussi appelé Annual Product Review (APR), est l'un des documents les plus structurés et les plus chronophages du cycle GMP. En Europe, le Chapitre 1 (§1.10) du GMP Guide l'impose chaque année pour chaque produit commercialisé ; ICH Q10 et ICH Q7 (pour les substances actives) en fournissent le cadre qualité : revue des résultats de contrôle, données de stabilité sur l'ensemble des points ICH (0, 3, 6, 9, 12, 18, 24 mois), indicateurs de production (rendements, déviations, OOS/OOT, plaintes), et analyse des tendances.
Dans la pratique, cela signifie : extraire les données de plusieurs systèmes (LIMS, ERP, fichiers Excel des études ICH), les consolider dans un tableau maître, appliquer les calculs de tendance définis dans le plan de stabilité, repérer les valeurs OOT (Out of Trend) qui n'ont pas encore déclenché d'OOS mais qui méritent un commentaire, et enfin rédiger une synthèse narrative intelligible pour la QP et l'inspecteur.
Comptez 3 à 5 semaines par produit dans une organisation moyenne. Multipliez par le nombre de produits du portefeuille. Et acceptez qu'une dérive à +2 % sur la teneur en impureté B, visible seulement en regardant les douze points côte à côte, passe souvent inaperçue dans la compilation manuelle.
Ce que change l'automatisation
L'agent ne fait pas de statistiques à la place de votre logiciel de stabilité validé : il interroge les outils déterministes (SQL sur le LIMS, export LIMS/ERP) et reçoit les résultats calculés. À partir de ces données certifiées, il détecte les tendances visuellement anormales, les signale dans une synthèse structurée, et rédige les sections narratives du PQR selon le template de votre système qualité. La QP relit, complète si besoin, et signe. L'audit trail reste dans le LIMS — rien n'est réécrit par l'IA.
flowchart LR D[LIMS · ERP · Plan de stabilité] --> Q[Requêtes déterministes<br>calculs validés] Q --> A[Agent d'analyse<br>détection tendances / OOT] A --> R[Première version du PQR :<br>synthèse + tableau + sections rédigées] R --> H[QP relit, valide<br>et signe]
Ce que vous recevez, concrètement
La QP reçoit un document structuré, sections identiques à votre template. Extrait de la section « Stabilité — Produit X, lot 2025-001 » :
Synthèse de tendance — Études de stabilité ICH (T0 → T12)
L'ensemble des paramètres critiques demeure dans les spécifications sur les douze mois. Une tendance à la hausse régulière est observée sur l'impureté B (T0 : 0,08 % → T12 : 0,19 % ; limite : 0,30 %), non encore OOS mais classée OOT conformément au plan de stabilité — commentaire de la QP requis avant archivage. Tous les autres paramètres présentent une variabilité intra-spécification sans tendance directionnelle identifiable.
| Paramètre | Spéc. | Tendance sur 12 mois | Statut |
|---|---|---|---|
| Teneur (% étiquette) | 95,0 – 105,0 % | 99,4 % → 99,1 % (stable) | ✅ Conforme |
| Impureté A | ≤ 0,10 % | 0,04 % → 0,06 % (stable) | ✅ Conforme |
| Impureté B | ≤ 0,30 % | 0,08 % → 0,19 % (↑ régulier) | ⚠️ OOT — commentaire QP |
| pH (solution reconstituée) | 6,8 – 7,4 | 7,1 → 7,0 (stable) | ✅ Conforme |
Source : export LIMS validé — données certifiées ALCOA+ (Attribuable, Lisible, Contemporain, Original, Précis + Complète, Cohérente, Pérenne, Disponible). Tous les calculs de tendance exécutés par le logiciel de stabilité validé (typiquement GAMP 5 Cat. 3 ou 4 selon le logiciel). Ce tableau a été généré à partir de ces résultats ; aucune valeur n'a été produite par l'IA.
La QP retrouve ensuite les sections habituelles déjà renseignées : résumé des déviations et OOS de l'année, indicateurs de rendement, statut des CAPA ouvertes, conclusion de conformité — avec renvoi aux numéros de lot et de rapport source.
Le gain, chiffré
| Avant | Après | |
|---|---|---|
| Temps de rédaction | 3 à 5 semaines par produit | 3 à 5 jours (collecte + relecture QP) |
| Détection OOT | tributaire de l'attention du rédacteur | revue systématique de tous les points présents dans le LIMS |
| Traçabilité | variable selon le rédacteur | chaque valeur reliée à sa source LIMS, audit trail intact |
| Charge QP | relecture d'un brouillon imparfait | validation d'un draft structuré et sourcé |
Pour que ça marche chez vous
Trois points font la différence entre une démo encourageante et un document que la QP peut signer en inspection :
- Les calculs restent dans vos outils validés. L'agent n'invente aucun chiffre : il interroge le LIMS et le logiciel de stabilité GAMP 5 validés, reçoit les résultats, et les transpose en langage. Si le LIMS change, l'agent suit — il ne recalcule jamais de lui-même.
- L'audit trail est celui du LIMS, pas de l'IA. ALCOA+ (Attribuable, Lisible, Contemporain, Original, Précis + Complète, Cohérente, Pérenne, Disponible) s'applique aux données source. L'agent génère un livrable ; le LIMS garde la preuve. Cette séparation est ce qui rend le setup défendable en inspection GMP.
- La QP relit, valide et signe. Le draft est un point de départ, pas un document finalisé. La valeur réelle : la QP arrive à la relecture avec toutes les données déjà organisées, les OOT déjà signalés, et passe son temps à juger — pas à collecter.
Envie de transformer ce cas d'usage en agent qui tourne vraiment, dans les règles ?
Vous préférez d'abord situer votre organisation sur l'IA ?