Artikel
CMC-realiteitscheck: Risico's in een laat stadium die van invloed zijn op de goedkeuring
Inzicht in de belangrijkste knelpunten in CMC-ontwikkeling in een laat stadium en hoe deze van invloed zijn op het succes van indiening
Biofarmaceutische bedrijven worden geconfronteerd met verschillende veelvoorkomende CMC-uitdagingen (chemie, productie en controles), die meestal in een laat stadium van ontwikkeling naar voren komen en zwaar wegen op het succes van de indiening. De belangrijkste hiervan zijn specificatierechtvaardiging, procesvalidatie, vergelijkbaarheid en productiegereedheid.
Centraal in deze kwesties staat de algemene controlestrategie: of de aanvrager een adequaat begrip van grondstoffen, kritische procesparameters, kritische kwaliteitskenmerken, analytische methoden en productievariabiliteit kan aantonen, en kan aantonen hoe deze elementen samen een consistente productkwaliteit garanderen.
Veel ontwikkelaars onderschatten wat er nodig is om productiegereedheid te bereiken. Als regelgevers twijfels hebben over de productkwaliteit, de consistentie van het productieproces of de betrouwbaarheid van de gegevens van klinische proeven, kan dit leiden tot een inspectie en kan dit leiden tot vertragingen bij de goedkeuring - of regelrechte afwijzing van de aanvraag.
Centraal in deze kwesties staat de algemene controlestrategie: of de aanvrager een adequaat begrip van grondstoffen, kritische procesparameters, kritische kwaliteitskenmerken, analytische methoden en productievariabiliteit kan aantonen, en kan aantonen hoe deze elementen samen een consistente productkwaliteit garanderen.
Veel ontwikkelaars onderschatten wat er nodig is om productiegereedheid te bereiken. Als regelgevers twijfels hebben over de productkwaliteit, de consistentie van het productieproces of de betrouwbaarheid van de gegevens van klinische proeven, kan dit leiden tot een inspectie en kan dit leiden tot vertragingen bij de goedkeuring - of regelrechte afwijzing van de aanvraag.
Om door deze knelpunten te navigeren, moeten fabrikanten zorgvuldig nadenken over vroege beslissingen en hoe ze de CMC-strategie kunnen afstemmen op de wettelijke verwachtingen om vertragingen te voorkomen en een succesvolle goedkeuring in de eerste cyclus te ondersteunen.
Belangrijkste knelpunten in CMC-ontwikkeling in een laat stadium
Een probleem dat vaak wordt opgepikt tijdens een gap-analyse zijn niet-compendiale specificaties, met name rond microbiologische controle die afwijkt van farmacopeemethoden. Een voorbeeld is bioburden-testen voor biologische geneesmiddelen die afwijken om een procesreden of een productgerelateerde reden.
Dit gebeurt vaak wanneer een klein of middelgroot bedrijf onder financiële druk staat om snel vooruitgang te boeken en specificaties voorstelt die zijn vastgesteld door een "vuistregel" in plaats van gebaseerd te zijn op veiligheid, werkzaamheid of procescapaciteit. Als zodanig missen ze de gegevens die nodig zijn om de specificatie te rechtvaardigen. Dit maakt het erg uitdagend wanneer de fabrikant - of een bedrijf dat het product heeft gekocht - overstapt naar commerciële productie.
Een andere hoofdoorzaak is wanneer een product wordt ontwikkeld voor een bepaalde markt en vervolgens, als onderdeel van wereldwijde expansie, probeert de fabrikant dat product naar andere rechtsgebieden te brengen, waarna kleine afwijkingen van farmacopeemethoden een probleem beginnen te worden.
Een derde probleem dat vaak wordt waargenomen, zijn de potentiespecificaties voor oudere producten die niet langer overeenkomen met de aangescherpte verwachtingen van het Europees Geneesmiddelenbureau (EMA) of de Amerikaanse Food and Drug Administration (FDA). In dergelijke situaties kunnen fabrikanten proberen een specificatie met terugwerkende kracht in overeenstemming te brengen met de huidige verwachtingen. Dit kan bijzonder uitdagend zijn, omdat het wijzigen van het productieproces in een laat stadium extreem kostbaar kan zijn, zowel in tijd als in moeite. Ontwikkelaars kunnen ook niet over de statistische expertise beschikken die nodig is om een passende specificatie vast te stellen en robuust te rechtvaardigen.
Dit gebeurt vaak wanneer een klein of middelgroot bedrijf onder financiële druk staat om snel vooruitgang te boeken en specificaties voorstelt die zijn vastgesteld door een "vuistregel" in plaats van gebaseerd te zijn op veiligheid, werkzaamheid of procescapaciteit. Als zodanig missen ze de gegevens die nodig zijn om de specificatie te rechtvaardigen. Dit maakt het erg uitdagend wanneer de fabrikant - of een bedrijf dat het product heeft gekocht - overstapt naar commerciële productie.
Een andere hoofdoorzaak is wanneer een product wordt ontwikkeld voor een bepaalde markt en vervolgens, als onderdeel van wereldwijde expansie, probeert de fabrikant dat product naar andere rechtsgebieden te brengen, waarna kleine afwijkingen van farmacopeemethoden een probleem beginnen te worden.
Een derde probleem dat vaak wordt waargenomen, zijn de potentiespecificaties voor oudere producten die niet langer overeenkomen met de aangescherpte verwachtingen van het Europees Geneesmiddelenbureau (EMA) of de Amerikaanse Food and Drug Administration (FDA). In dergelijke situaties kunnen fabrikanten proberen een specificatie met terugwerkende kracht in overeenstemming te brengen met de huidige verwachtingen. Dit kan bijzonder uitdagend zijn, omdat het wijzigen van het productieproces in een laat stadium extreem kostbaar kan zijn, zowel in tijd als in moeite. Ontwikkelaars kunnen ook niet over de statistische expertise beschikken die nodig is om een passende specificatie vast te stellen en robuust te rechtvaardigen.
Het is waarschijnlijk dat er op een bepaald moment in de levenscyclus van het product een verandering van productielocatie zal plaatsvinden, een noodzaak om op te schalen of mogelijk een verandering van eigenaar. Voor elk van deze scenario's is een vergelijkbaarheidsoefening nodig om aan te tonen dat de veranderingen in kwestie de veiligheid of werkzaamheid van het product niet in gevaar brengen.
Helaas maken hiaten in historische gegevens het vaak moeilijk om een geloofwaardige brug te slaan tussen de oude locatie en de nieuwe locatie, een taak die complexer wordt als er in de loop van de tijd proces- of analytische veranderingen zijn. Deze hiaten worden vaak duidelijk wanneer een groot bedrijf de activa van kleinere ontwikkelaars verwerft en de productielijnen moet verplaatsen, om het vervolgens moeilijk te vinden om de specificaties te verzoenen met de productierealiteit.
Een robuuste vergelijkbaarheidsexercitie vereist ook duidelijk gedefinieerde aanvaardingscriteria. In de praktijk zal er altijd een zekere mate van verschil bestaan na een verandering, hetzij toe te schrijven aan de verandering zelf, hetzij aan de natuurlijke variabiliteit die inherent is aan zowel het proces als de meetapparatuur, met name wanneer de gegevens beperkt zijn. Het vaststellen van passende equivalentiemarges en het selecteren van een degelijke statistische benadering om de vergelijkbaarheid aan te tonen, behoren daarom tot de meest veeleisende aspecten van de exercitie.
Voor veel bedrijven, met name kleinere ontwikkelaars die afhankelijk zijn van contractproductieorganisaties (CMO's), kunnen slecht beheer van het proces en onvolledige documentatie enorm problematisch zijn. Als onopgeloste resultaten of afwijkingen die niet aan de specificaties voldoen, niet goed worden geregistreerd of de hoofdoorzaak niet wordt geïdentificeerd, kan dat later een aanzienlijk domino-effect hebben en zal het moeilijk uit te leggen zijn aan toezichthouders, waardoor het vertrouwen afneemt.
Helaas maken hiaten in historische gegevens het vaak moeilijk om een geloofwaardige brug te slaan tussen de oude locatie en de nieuwe locatie, een taak die complexer wordt als er in de loop van de tijd proces- of analytische veranderingen zijn. Deze hiaten worden vaak duidelijk wanneer een groot bedrijf de activa van kleinere ontwikkelaars verwerft en de productielijnen moet verplaatsen, om het vervolgens moeilijk te vinden om de specificaties te verzoenen met de productierealiteit.
Een robuuste vergelijkbaarheidsexercitie vereist ook duidelijk gedefinieerde aanvaardingscriteria. In de praktijk zal er altijd een zekere mate van verschil bestaan na een verandering, hetzij toe te schrijven aan de verandering zelf, hetzij aan de natuurlijke variabiliteit die inherent is aan zowel het proces als de meetapparatuur, met name wanneer de gegevens beperkt zijn. Het vaststellen van passende equivalentiemarges en het selecteren van een degelijke statistische benadering om de vergelijkbaarheid aan te tonen, behoren daarom tot de meest veeleisende aspecten van de exercitie.
Voor veel bedrijven, met name kleinere ontwikkelaars die afhankelijk zijn van contractproductieorganisaties (CMO's), kunnen slecht beheer van het proces en onvolledige documentatie enorm problematisch zijn. Als onopgeloste resultaten of afwijkingen die niet aan de specificaties voldoen, niet goed worden geregistreerd of de hoofdoorzaak niet wordt geïdentificeerd, kan dat later een aanzienlijk domino-effect hebben en zal het moeilijk uit te leggen zijn aan toezichthouders, waardoor het vertrouwen afneemt.
Een andere veel voorkomende uitdaging in een laat stadium is de ontdekking dat analytische methoden die tijdens de ontwikkeling adequaat waren, niet voldoende robuust zijn voor commerciële vrijgave, stabiliteitstests of methodeoverdracht. Methodevalidatie, kwalificatie, overdracht, referentiestandaardstrategie en levenscyclusbeheer moeten daarom ruim voor indiening worden overwogen.
Daar komt nog bij dat de veranderende verwachtingen van de regelgeving rond kwaliteit door ontwerp (QbD), naast steeds strengere betrouwbaarheidsvereisten, de lat hoger hebben gelegd voor experimenteel ontwerp en de statistische kaders die worden gebruikt om de gegevens te analyseren.
Stabiliteitsprogramma's kunnen vergelijkbare problemen opleveren. Onvoldoende tijdstippen, veranderingen in de analysemethodologie tijdens de ontwikkeling, onvoldoende vergelijkbaarheid tussen ontwikkelings- en commerciële batches, of een onvoldoende aantal representatieve batches op commerciële schaal kunnen de houdbaarheid beperken die regelgevers bereid zijn te accepteren bij goedkeuring.
Deze tekortkomingen zijn bijzonder moeilijk laat in het proces te verhelpen, omdat de ontbrekende gegevens vaak niet kunnen worden gereconstrueerd of geëxtrapoleerd en mogelijk aanvullende stabiliteitsgegevens op lange termijn moeten worden gegenereerd. Dit kan leiden tot kostbare en vermijdbare vertragingen.
Daar komt nog bij dat de veranderende verwachtingen van de regelgeving rond kwaliteit door ontwerp (QbD), naast steeds strengere betrouwbaarheidsvereisten, de lat hoger hebben gelegd voor experimenteel ontwerp en de statistische kaders die worden gebruikt om de gegevens te analyseren.
Stabiliteitsprogramma's kunnen vergelijkbare problemen opleveren. Onvoldoende tijdstippen, veranderingen in de analysemethodologie tijdens de ontwikkeling, onvoldoende vergelijkbaarheid tussen ontwikkelings- en commerciële batches, of een onvoldoende aantal representatieve batches op commerciële schaal kunnen de houdbaarheid beperken die regelgevers bereid zijn te accepteren bij goedkeuring.
Deze tekortkomingen zijn bijzonder moeilijk laat in het proces te verhelpen, omdat de ontbrekende gegevens vaak niet kunnen worden gereconstrueerd of geëxtrapoleerd en mogelijk aanvullende stabiliteitsgegevens op lange termijn moeten worden gegenereerd. Dit kan leiden tot kostbare en vermijdbare vertragingen.
Een probleem dat zich vaak voordoet, is procesvalidatie en een te grote afhankelijkheid van de traditionele "drie validatiebatches" als standaard. Moderne levenscyclusbenaderingen voor procesvalidatie verwachten dat de mate van procesprestatiekwalificatie (PPQ) wetenschappelijk onderbouwd en risicogebaseerd is, rekening houdend met proceskennis, variabiliteit, productie-ervaring, schaal en het vermogen van het PPQ-programma om voldoende zekerheid te bieden over voortdurende procesprestaties.
Statistische benaderingen kunnen een belangrijke rol spelen bij het aantonen van die zekerheid in plaats van simpelweg te vertrouwen op een vooraf bepaald aantal batches.
Ontoereikende of slecht ontworpen experimenten zullen de kennis over het product en de robuustheid van het CMC-proces beïnvloeden, wat later in de ontwikkeling zal leiden tot validatieproblemen.
Statistische benaderingen kunnen een belangrijke rol spelen bij het aantonen van die zekerheid in plaats van simpelweg te vertrouwen op een vooraf bepaald aantal batches.
Ontoereikende of slecht ontworpen experimenten zullen de kennis over het product en de robuustheid van het CMC-proces beïnvloeden, wat later in de ontwikkeling zal leiden tot validatieproblemen.
Een praktische aanpak voor het beheersen van knelpunten
Veel van de knelpunten die zich voordoen, zijn te wijten aan kortetermijndenken, slecht gegevensbeheer, gebrek aan toezicht op CRO's of het productieproces in het algemeen, en eng gerichte due diligence-processen.
Fabrikanten kunnen het risico op problemen in een laat stadium verminderen door vroegtijdig te plannen en een op risico's gebaseerde benadering van het productieproces te hanteren. Verschillen in farmacopeemethoden kunnen bijvoorbeeld worden beperkt door vanaf het begin de afstemming op alle beoogde markten te beoordelen in plaats van als een bijzaak tijdens wereldwijde expansie.
Het is absoluut noodzakelijk dat fabrikanten vanaf het vroegst mogelijke stadium productkennis opbouwen en de kritische kwaliteitskenmerken begrijpen en documenteren. Fabrikanten moeten investeren in voldoende tests om inzicht te krijgen in de procescapaciteit en potentiële risico's, en zinvolle, gerechtvaardigde specificaties opstellen.
Tegelijkertijd zullen fabrikanten, door QbD-denken vanaf het begin toe te passen, in staat zijn om grotere, robuustere proceskennis te verwerven, vaak met minder experimenten. Een goede datastructuur (bijvoorbeeld bemonstering op informatieve tijdstippen in stabiliteitsstudies) kan 100 goed ontworpen datapunten krachtiger maken dan 1.000 slecht verzamelde datapunten.
Fabrikanten kunnen het risico op problemen in een laat stadium verminderen door vroegtijdig te plannen en een op risico's gebaseerde benadering van het productieproces te hanteren. Verschillen in farmacopeemethoden kunnen bijvoorbeeld worden beperkt door vanaf het begin de afstemming op alle beoogde markten te beoordelen in plaats van als een bijzaak tijdens wereldwijde expansie.
Het is absoluut noodzakelijk dat fabrikanten vanaf het vroegst mogelijke stadium productkennis opbouwen en de kritische kwaliteitskenmerken begrijpen en documenteren. Fabrikanten moeten investeren in voldoende tests om inzicht te krijgen in de procescapaciteit en potentiële risico's, en zinvolle, gerechtvaardigde specificaties opstellen.
Tegelijkertijd zullen fabrikanten, door QbD-denken vanaf het begin toe te passen, in staat zijn om grotere, robuustere proceskennis te verwerven, vaak met minder experimenten. Een goede datastructuur (bijvoorbeeld bemonstering op informatieve tijdstippen in stabiliteitsstudies) kan 100 goed ontworpen datapunten krachtiger maken dan 1.000 slecht verzamelde datapunten.
Toezicht en betrokkenheid van experts
Goed toezicht op belanghebbenden en gegevens is absoluut noodzakelijk. Bij het werken met CMO's moeten fabrikanten duidelijke contractuele vereisten vaststellen voor volledige datapakketten, tijdige documentatie over afwijkingen en analyse van de hoofdoorzaak van anomalieën. Dit betekent dat CMO-gegevensbeheer moet worden behandeld als een CMC-risico en -vereiste.
Fabrikanten kunnen ook helpen om latere problemen te verminderen door regelgevende en CMC-experts in te schakelen om een vroege kloofanalyse uit te voeren en vast te stellen waar specificaties mogelijk moeten worden aangescherpt of gerechtvaardigd met instanties.
Fabrikanten kunnen ook helpen om latere problemen te verminderen door regelgevende en CMC-experts in te schakelen om een vroege kloofanalyse uit te voeren en vast te stellen waar specificaties mogelijk moeten worden aangescherpt of gerechtvaardigd met instanties.
Om ervoor te zorgen dat de verzamelde gegevens van voldoende kwaliteit zijn, moeten fabrikanten bovendien overwegen om statistici vroegtijdig in te schakelen om te bepalen hoe gegevens moeten worden verzameld in plaats van achteraf te worden ingevoerd om de gegevens te analyseren. Als u vanaf het begin gegevens van goede kwaliteit heeft, is het gemakkelijker om:
- Specificaties voorstellen en verdedigen die zowel aan de regelgeving voldoen als produceerbaar zijn
- Wetenschappelijk en statistisch verantwoorde beslissingen
- Bouw geloofwaardige vergelijkbaarheidsbruggen met behulp van historische gegevens, zodat het niet nodig is om batches opnieuw te genereren op verzendlocaties
- Productiecapaciteit duidelijk aantonen tijdens due diligence of, indien relevant, overnamebeoordeling
Conclusie: Een filosofie van data-integriteit
Wat ten grondslag ligt aan alle CMC-activiteiten, en van vitaal belang zal zijn voor een degelijke indiening van regelgeving, is de beschikbaarheid van adequate en geschikte gegevens die vanaf de vroegste stadia van ontwikkeling worden gegenereerd. Om de CMC-problemen die zich vaak later in de ontwikkeling voordoen te voorkomen en op te lossen, moeten fabrikanten gegevensintegriteit behandelen als een productiefilosofie, niet alleen als een selectievakje voor naleving.
Over de auteurs:
Martin Mewies, PhD, is directeur Regulatory Affairs, CMC, bij Cencora. Hij heeft meer dan 30 jaar ervaring in eiwitbiochemie, met meer dan 20 jaar in biologische CMC/regelgeving.
Thomas de Marchin, PhD, is Associate Director of Statistics and Data Science bij Cencora, waar hij geavanceerde statistische methodologieën en machine learning-algoritmen toepast om de ontdekking en productie-efficiëntie van geneesmiddelen te optimaliseren. Met diepgaande expertise op het gebied van naleving van regelgeving - met name FDA- en GMP-normen - overbrugt hij de kloof tussen complexe analytische benaderingen en praktische farmaceutische toepassingen.
Michael Day, PhD, is Senior Director of Regulatory Strategy and CMC bij Cencora. Hij heeft meer dan 25 jaar ervaring op het gebied van regelgeving, CMC en kwaliteit, waaronder directe interacties met de FDA op het gebied van CRL's en BLA-inzendingen in cel- en gentherapieën.
Thomas de Marchin, PhD, is Associate Director of Statistics and Data Science bij Cencora, waar hij geavanceerde statistische methodologieën en machine learning-algoritmen toepast om de ontdekking en productie-efficiëntie van geneesmiddelen te optimaliseren. Met diepgaande expertise op het gebied van naleving van regelgeving - met name FDA- en GMP-normen - overbrugt hij de kloof tussen complexe analytische benaderingen en praktische farmaceutische toepassingen.
Michael Day, PhD, is Senior Director of Regulatory Strategy and CMC bij Cencora. Hij heeft meer dan 25 jaar ervaring op het gebied van regelgeving, CMC en kwaliteit, waaronder directe interacties met de FDA op het gebied van CRL's en BLA-inzendingen in cel- en gentherapieën.
Disclaimer:
De informatie in dit artikel is bedoeld om lezers te informeren over een onderwerp dat verband houdt met de mogelijkheden van Cencora en is geen juridisch of aankoopadvies. Cencora, Inc. raadt lezers aan de geciteerde referenties in dit artikel door te nemen en hun eigen kennis en ervaring te gebruiken bij het nemen van beslissingen.
