株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
設備適格性評価（Equipment Qualification、DQ/IQ/OQ/PQ）と Cleaning Validation（洗浄バリデーション）は、医薬品 GMP 製造の設備・施設が設計通り据付・運転・性能を発揮し、製品間の交叉汚染を許容残留レベル以下で制御する必須プロセス。FDA 21 CFR 211.63（Equipment design, size, and location）、EU GMP Annex 15（Qualification and Validation、2015 改訂）、ICH Q9(R1) QRM、PMDA バリデーション基準、NMPA GMP 附録工艺验证が基盤。2026 年更新点として、EU Annex 15 改訂運用、FDA の CSA（Computer Software Assurance）拡大、Cleaning Validation の HBEL（Health-Based Exposure Limits）基盤 PDE（Permitted Daily Exposure）計算標準化、AI 支援 Swab/Rinse Recovery 研究、Digital Twin 活用が急速に進展。2026-04-21 サイエンス＆テクノロジー主催「URS 記載と適格性評価」セミナー等、実務教育も活発。本記事では、設備適格性・Cleaning Validation の AI 支援を、URS・4Q・HBEL/PDE・Swab/Rinse・Digital Twin・多地域規制の観点で玄人目線で詳述する。
適格性評価の 4 段階（DQ/IQ/OQ/PQ）
| 段階 | 内容 | 実施者 |
|---|---|---|
| DQ（Design Qualification） | URS 要件・規制要件を設備設計が満たすかの文書確認 | エンジニアリング、QA |
| IQ（Installation Qualification） | 据付時適格性。配管・電気・計器の据付確認、材質・部品証明 | 有資格エンジニア |
| OQ（Operational Qualification） | 運転時適格性。CPP を最小・最大で試験、制御限界確立 | 有資格エンジニア |
| PQ（Performance Qualification） | 性能適格性。実製品で再現性確認、承認方法通り機能 | ユーザー（製造部門、QC） |
URS（User Requirement Specification）の重要性
- 適格性評価の起点となる要件定義書
- プロセス要件（容量、温度、圧力、材質等）
- GMP 要件（ALCOA+、Audit Trail、Data Integrity）
- 安全要件（防爆、圧力容器、フェイルセーフ）
- 保守要件（定期点検、Calibration）
- Traceability Matrix（URS ↔ DQ ↔ IQ ↔ OQ ↔ PQ）
- 不備な URS は全適格性評価の失敗に直結
Cleaning Validation の 3 段階
| 段階 | 内容 |
|---|---|
| Design & Development | 洗浄手順設計、残留物特定、許容基準（PDE 基盤）設定 |
| Qualification（3 連続バッチ） | Worst-case 条件で 3 連続成功、Swab/Rinse Recovery 実施 |
| Continued Verification | 継続モニタリング、HBEL 更新時の再評価 |
HBEL / PDE の計算
EMA 2014 ガイドラインで導入、各地域で標準化。ADE（Acceptable Daily Exposure）とも呼称。
- Toxicology データから NOAEL/LOAEL 取得
- Uncertainty Factors 適用（種差、個体差、不確実性）
- PDE = NOAEL × Body Weight / (UF1 × UF2 × … × UFn)
- MACO（Maximum Allowable Carryover）計算
- Swab/Rinse Limits 設定
- 従来の 10 ppm / 1/1000 Lowest Therapeutic Dose 基準から HBEL へ移行
- Highly Hazardous API（細胞毒性、遺伝毒性）は専用エリア
Swab / Rinse Recovery 研究
- Coupon（模擬表面）で Spike-Recovery 試験
- 材質別（SUS316L、PTFE、Hastelloy、Glass）
- Swab 法：Direct Surface Sampling
- Rinse 法：Indirect Sampling、大面積向き
- Recovery は一般的に高い水準を目安とし、低い場合は補正係数を適用（各社 SOP および PIC/S PI 006 等の業界ガイダンスに準拠）
- TOC（Total Organic Carbon）、HPLC、Conductivity
- Visual Inspection（Visual Residue Limit）
地域別規制
| 地域 | 規制 |
|---|---|
| FDA | 21 CFR 211.63、211.67、Process Validation Guidance（2011）、Cleaning Validation Guide（1993） |
| EU | GMP Annex 15（2015）、EMA HBEL Guideline（2014）、Annex 22 AI 草案 |
| PMDA | バリデーション基準、GMP 省令第十三条 |
| NMPA | GMP 附録工艺验证、2025 強化、2026-04 AI+药监 |
| WHO | TRS 937 Annex 4、TRS 992 Annex 3 |
| PIC/S | PI 006、PI 041（Cleaning Validation 草案） |
AI 支援の 8 領域
1. URS 自動生成
製品・プロセス要件から URS をドラフト。類似設備の URS 事例から網羅的な要件抽出、Traceability Matrix 自動構築。
2. IQ/OQ/PQ プロトコル生成
URS と設備仕様から Protocol・Test Script を AI で生成。Acceptance Criteria 自動算定、Deviation リスク事前特定。
3. HBEL / PDE 計算支援
Toxicology 文献を AI で解析、NOAEL/LOAEL 抽出。Uncertainty Factors 適用ロジック補助、MACO 自動計算。
4. Swab/Rinse Recovery データ解析
材質別 Recovery 実験データを AI で統合解析、補正係数最適化。低 Recovery 根本原因分析。
5. Cleaning Cycle 最適化
洗浄時間・温度・洗剤濃度・機械的作用（TACT: Time, Action, Chemistry, Temperature）を AI で最適化。Worst-case 特定。
6. Deviation / OOS 対応
適格性評価・Cleaning Validation 中の Deviation を AI で分析、Root Cause 特定、類似事例参照。
7. Digital Twin 連携
設備の Digital Twin で仮想 IQ/OQ/PQ シミュレーション。実機試験前にリスク低減。
8. Continued Verification 自動化
定期再適格性、HBEL 更新時の再評価を AI で期限管理・自動トリガ。
適格性評価プロトコルの構成
- 目的・範囲
- 責任分担
- 設備・システム記述
- URS / FS / DS 参照
- Test Case 一覧
- Acceptance Criteria
- Deviation Handling
- Data Recording
- Reporting
- Approval Signatures
AI パイプライン
- Step 1: URS 作成 — 製品・プロセス・規制要件統合
- Step 2: DQ 実施 — 設計レビュー
- Step 3: FAT/SAT — Factory/Site Acceptance Test
- Step 4: IQ 実施 — 据付確認
- Step 5: OQ 実施 — 運転確認
- Step 6: PQ 実施 — 性能確認、3 連続バッチ
- Step 7: Cleaning Validation 計画 — HBEL/PDE、Worst-case 特定
- Step 8: Swab/Rinse Recovery 研究
- Step 9: 3 連続 Cleaning Validation
- Step 10: Continued Verification
Worst-case アプローチ
複数製品共用設備では Worst-case 製品で代表試験。
- 最も洗浄困難（粘度、溶解性）
- 最も毒性が高い（低 HBEL）
- 最も大量製造
- 最小バッチサイズ（濃縮率高）
- Bracketing / Matrix アプローチ
Lean Qualification Approach
近年、GMP Platform 等で提唱される効率化アプローチ。
- Leveraging Supplier Documentation
- GEP（Good Engineering Practice）と GMP の明確分離
- Risk-based Test Scope 縮減
- Combined IQ/OQ Protocol
- ASTM E2500 Verification（Science- and Risk-based）
- AI 支援で Test Case 優先順位付け
失敗パターンと回避策
落とし穴1：URS 不備
曖昧な URS では Acceptance Criteria が定義困難。AI で網羅性チェック、Traceability Matrix 強制。
落とし穴2：HBEL 計算の誤り
Toxicology データ解釈ミスで過大/過小 PDE。AI 支援と Toxicologist レビュー併用。
落とし穴3：Cleaning Validation Worst-case 選定ミス
Worst-case でない製品を選定すると汚染リスク。AI で多次元 Risk Score 算定。
落とし穴4：Swab/Rinse Recovery 過大評価
Recovery 不足を無視すると真の残留量を過小評価。補正係数必須。
落とし穴5：Continued Verification 未実施
初回適格性で終わると設備劣化・HBEL 更新で問題発覚。定期再評価を AI 自動化。
KPI 設計の観点
各社の Validation Master Plan（VMP）・Cleaning Validation Master Plan（CVMP）で KPI を規定する。以下は KPI 設計で検討すべき観点。
- 適格性評価 TAT：URS から PQ 完了までの期間管理
- Deviation 発生率：Protocol あたりの Deviation 件数
- Cleaning Validation 成功率：3 連続バッチでの初回成功率
- Swab/Rinse Recovery：各社 SOP で規定（PIC/S PI 006 業界水準参考）
- Cross-contamination 逸脱：ゼロ維持
- Continued Verification 実施率：期限内実施
まとめ：Equipment Qualification・Cleaning Validation AI 支援の設計指針
- DQ/IQ/OQ/PQ 4 段階と URS ↔ Traceability の AI 管理
- HBEL/PDE 基盤の MACO 計算と Swab/Rinse Limits
- Cleaning Validation 3 連続バッチ Worst-case アプローチ
- Digital Twin で仮想適格性評価
- Lean Qualification と ASTM E2500 Risk-based
- FDA 21 CFR 211.63 / EU Annex 15 / PMDA / NMPA 2026-04 多地域対応
- EU Annex 22 AI 草案準拠（Deterministic AI 推奨）
- Continued Verification で HBEL 更新時の再評価
- Highly Hazardous API は専用エリア・専用設備
- AI は計算・プロトコル生成・解析、最終判断は QA・Engineering・Toxicology
設備適格性評価と Cleaning Validation は GMP 製造の物理的基盤で、HBEL/PDE・Digital Twin・AI 支援で精度と効率が同時向上。2026 年は EU Annex 15 運用成熟・CSA 拡大・NMPA AI+药监・HBEL 標準化で規制整備が加速。判断の人間主導と反復的プロトコル生成・データ解析・期限管理の AI 自動化が、2026 年以降のグローバル GMP 設備管理の競争力を決定づける。