Plan de la présentation Etude dynamique de l’ordonnancement d’un laboratoire de contrôle qualité pharmaceutique Plan de la présentation Contexte de l’application Problématique Solutions proposées Résultats Perspectives Modélisation, Simulation, Ordonnancement Mots-clés

Contexte de l’application Industrie pharmaceutique Réglementation : BPF, BPL, AMN, AFSSAPS, FDA Importance des laboratoires de contrôle qualité CQ pour chaque lot pharmaceutique produit Analyse = {CQ à réaliser sur n lots pharma.} (*) Bonnes Pratiques de Fabrication, Bonnes Pratiques de Laboratoire, Autorisation de Mise sur le Marché, Agence Française de Sécurité Sanitaire des Produits de Santé, Food and Drug Administration

Place du CQ dans la fabrication d’un médicament Contexte de l’application Place du CQ dans la fabrication d’un médicament

Contexte de l’application Déroulement d’une analyse 1 analyse = [1...n] déterminations réalisées sur [1...n] échantillons issus d’1 à 3 prélèvements permettant de réaliser [1..n] déterminations en parallèle.

Organisation des contrôles physico-chimiques Problématique Organisation des contrôles physico-chimiques 3 principaux postes de travail : paillasses, HPLC, CPG 1 contrôleur réalise toutes les déterminations d’une analyse et se déplace sur chaque poste Traitement parallélisable HPLC et CPG : postes automatisés, temps de conditionnement, colonnes en nombre limité Groupement possible des échantillons Plusieurs niveaux de compétence des contrôleurs

Plus de 5000 lots pharmaceutiques analysés / an Problématique Quelques données Plus de 5000 lots pharmaceutiques analysés / an 40 techniciens contrôleurs 30 paillasses, 10 HPLC, 10 CPG Une centaine d’analyses en encours moyen Une dizaine de déterminations / analyse Une douzaine de jours de délai de contrôle / lot

Comment maîtriser les flux et tenir les délais ? Problématique Questions posées Comment maîtriser les flux et tenir les délais ? Comment répartir les analyses aux techniciens ? Combien de techniciens sont nécessaires ? Quelle implantation des postes ? Comment prendre en compte les perturbations ? Quel est l’impact de l’ordonnancement des HPLC et CPG sur l’ensemble du laboratoire ?

Principales difficultés Problématique Principales difficultés Forte autonomie des contrôleurs Pas de « trace » du déroulement d’une analyse Déroulement des analyses lié aux compétences des techniciens et à la disponibilité des postes HPLC et CPG

Ordonnancement des HPLC et CPG Solutions proposées Ordonnancement des HPLC et CPG Recherche d’un ordonnancement pour ces postes critiques [Dupuy et al. 2004,2005] : Modélisation d’une machine parallèle flexible À base de règles : ATCTRS et ATCTRSF Recuit simulé Résultat : Gain certain sur le retard moyen des analyses

Ordonnancement des HPLC et CPG Solutions proposées Ordonnancement des HPLC et CPG Limites de ce travail : Influence des paillasses ? Pas d’évolution dynamique de l’ordonnancement Pas de phénomènes aléatoires Techniciens en capacité illimitée Approche proposée : utilisation de la simulation de flux à événements discrets

Outil adapté aux systèmes complexes Pas de modélisation mathématique Solutions proposées Simulation de flux Pourquoi ? Outil adapté aux systèmes complexes Pas de modélisation mathématique Niveau de détail pouvant être élevé Forme proche du système réel Visualisation : communication et confiance Possibilité de tester différentes organisations

Analyse détaillée des flux et règles de fonctionnent Solutions proposées Simulation de flux Comment ? Analyse détaillée des flux et règles de fonctionnent Collecte des données : jusqu’à 50% du temps d’une étude Quoi ? Statistiques : stocks, machines, articles Indicateurs de performances spécifiques

Méthodologie générale Solutions proposées Méthodologie générale Réalisation et calibrage d’un modèle de l’existant Evaluation des heuristiques d’ordonnancement sur les postes HPLC et CPG en dynamique Evaluation globale du laboratoire Prise en compte de la variabilité Etude de la robustesse de l’optimisation 2 étapes : modèle de connaissance puis modèle d’action

Modèle de connaissance Solutions proposées Modèle de connaissance Nombreuses techniques existantes et reconnues : CIMOSA, CEN ENV 400 03, GRAI-GIM, PERA, GERAM, etc… Approche choisie : Principe de la modélisation d’entreprise avec 3 vues : Fonctionnelle Ressource Décisionnelle

Description des enchaînements d’activités des processus. Solutions proposées Vue Fonctionnelle Description des enchaînements d’activités des processus. Utilisation du formalisme IDEF

Description de l’utilisation des moyens pour réaliser un processus. Solutions proposées Vue Ressources Description de l’utilisation des moyens pour réaliser un processus. Utilisation de la norme JIS Z 8206

Solutions proposées Vue Ressources Exemple :

Description des centres de décisions pour la gestion du flux physique. Solutions proposées Vue Décisionnelle Description des centres de décisions pour la gestion du flux physique. Utilisation de réseaux GRAI pour décrire les centres de décision Utilisation d’organigrammes [NF Z 67-010] pour la logique de pilotage

Solutions proposées Vue Décisionnelle Exemple :

Modèle d’action pour la simulation Résultats Modèle d’action pour la simulation Intègre les 3 vues dans l’outil utilisé : Witness Vue fonctionnelle  Modules Vue ressource  Eléments Vue décisionnelle  Lois et Actions

Calibrage et validation Résultats Calibrage et validation Simulation de 5 jours d’activité pour valider le modèle Fichier Excel : arrivée des déterminations Modèle de simulation entrée Sortie Fichier Excel : activité de chaque poste

Simulations de différentes organisations Résultats Simulations de différentes organisations Paramètres : Plages d’ouverture : 1 x 24h, 3 x 8h, 1 x 8h Affectation des analyses : 1/contrôleur ou 1 contrôleur/détermination Résultats : % de délai moyen / délai actuel

Conclusions et perspectives Modélisation et simulation : maîtrise des processus Résultats des simulations : à mettre en œuvre Ordonnancement des HPLC et CPG : faible occupation et fort impact sur le délai Simulations de l’ordonnancement en dynamique et avec phénomènes aléatoires. Perspectives