Spektralanalyse-Auswertung mit KI beschleunigen

Das echte Ausmaß des Problems

Spektroskopische Analysenmethoden, Near Infrared (NIR), Fourier-Transform Infrared (FTIR), Raman, sind in der Chemie unverzichtbar für Identifikation und Reinheitsbestimmung. Sie sind schnell (Messung in 2–5 Minuten), zerstörungsfrei und können in die Produktion integriert werden. Das Problem: Aus dem Spektrum allein liest niemand Gehalte ab.

Ein NIR-Spektrum ist ein komplexes numerisches Bild: Hunderte Datenpunkte über verschiedene Wellenlängen, breite, überlagerte Banden, dazu Rauschen, Basislinien-Effekte und Streuung. Die Identität einer Probe lässt sich per Bibliotheksvergleich schnell bestätigen. Wie viel Wasser drin ist oder wie das Gemisch zusammengesetzt ist, sagt das Spektrum erst, wenn ein Kalibriermodell es übersetzt. Fehlt dieses Modell, laufen die Gehalte über nasschemische Referenzverfahren, Titration, Gaschromatographie, Karl-Fischer, und das dauert 30 Minuten bis vier Stunden je Probe. Reine Routine, jeden Tag.

Kalibriermodelle sind nicht neu: Die Chemometrie baut sie seit Jahrzehnten, klassisch per PLS-Regression. Neu ist, dass ML-Verfahren und geführte Software den Aufbau einfacher machen, und dass sich die Modelle auch dort lohnen, wo sie bisher niemand gebaut hat.

In Betrieben mit 20 bis 100 Gehaltsbestimmungen pro Tag summiert sich die Referenzanalytik zu einem echten Produktionsengpass. Eine Analyse, die eine Stunde dauert, blockiert die Freigabe einer ganzen Charge. Zwei Analytiker schaffen unter Druck zusammen vier bis acht Chargen am Tag. Bei höherem Volumen braucht es mehr Personal, oder die Qualität leidet unter dem Zeitdruck.

Zusätzlich: Wer spezialisiertes Fachwissen braucht, hängt an einzelnen erfahrenen Personen. Urlaub oder Krankheit reißen Lücken, die kurzfristig schwer zu schließen sind. Qualifiziertes Laborpersonal ist nicht eben mal in zwei Wochen zu finden.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Voraussetzung: Modell wurde auf mindestens 50 historischen Spektren der betreffenden Substanz mit bekannten Referenzwerten trainiert.

Die Zeit-Ersparnis ist groß, aber nicht unbegrenzt: Der KI-Output ist immer ein Konfidenz-Score (“93 % sicher, dass diese Probe in Spezifikation ist”). Bei niedrigen Scores (unter 85 %) muss ein Mensch per Referenzanalytik nachmessen.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Die Zeiteinsparung ist täglich spürbar und messbar. Aus 90 Minuten Referenzanalytik werden eine Messung und 20 Sekunden Rechenzeit, für jede Probe, die das Modell kennt. Im Labor ist das einer der größten Hebel der Branche, direkter als bei der Batch-Protokoll-Freigabe, wo die Zeitersparnis indirekt (weniger Blättern, mehr Fokus auf Exceptions) ist. Hier ist sie direkt und wiederholbar.

Kosteneinsparung, mittel (3/5)
Die Einrichtungskosten (15.000–160.000 Euro, je nachdem, ob ein Gerät gekauft und GMP-validiert werden muss) amortisieren sich in der Rechnung unten in rund sieben Monaten, aber nur, soweit die frei werdende Analytikerzeit Stellen, Überstunden oder Fremdvergaben an externe Labore ersetzt. Bleibt das Team gleich und macht einfach mehr Analysen, ist der Gewinn Durchsatz, nicht Geld. Der Einspareffekt ist real, aber nicht so unmittelbar wie bei der Sicherheitsdatenblatt-Generierung, wo Stunden pro Dokument direkt gespart werden.

Schnelle Umsetzung, niedrig (2/5)
Das ist der schwierigste Punkt. Ein Spektral-ML-Modell braucht 50–100 gute Trainings-Spektren mit bekannten Referenzwerten. Das heißt: Ihr müsst historische Spektren sammeln, labeln (mit dem Laborwert oder “in Spec” / “außer Spec”) und validieren. Unter GMP kommt die Validierung als analytisches Verfahren dazu (Risikoanalyse, Testplan, Modell-Performance-Dokumentation). Realistisch: 3–6 Monate, auch wenn die reine Modellentwicklung 2–3 Wochen dauert.

ROI-Sicherheit, hoch (4/5)
Der Nutzen ist unmittelbar nachvollziehbar: Das Modell bearbeitet alle Spektren in Sekunden, der Mensch vorher in Stunden. Der ROI hängt an zwei Faktoren: der Korrektheit des Modells (prüfbar gegen Spektren mit bekanntem Laborwert, die nicht im Training waren, darunter genug schlechte Proben) und der Akzeptanz im Team (wird es genutzt oder umgangen). Wenn beide stimmen, ist die Zeitersparnis sicher. Ob daraus Geld wird, hängt daran, was mit der frei werdenden Zeit passiert.

Skalierbarkeit, hoch (4/5)
Ein einmal trainiertes Modell schafft unbegrenzte Spektren, die Systemkosten bleiben gleich. Die Grenze kommt erst, wenn neue Substanzklassen analysiert werden müssen: Jede neue Chemikalie braucht mindestens 50 neue Trainings-Spektren und Neuvalidierung. Das ist kein Fehler des Systems, sondern eine Limitation von Spektroskopie selbst, verschiedene Stoffe haben verschiedene Spektralsignaturen.

Richtwerte, stark abhängig von Spektrometer-Typ, Probe-Komplexität und verfügbarem Trainings-Datensatz.

Was das System konkret macht

Spektral-ML folgt drei Schritten: Daten sammeln, Modell trainieren, in Produktion nehmen.

Schritt 1: Trainings-Daten sammeln
Ihr sammelt 50–200 historische Spektren von Proben, deren Identität und Qualität bekannt ist. Für jede Probe die Messdaten (Spektrum) + Label (“in Spezifikation” oder “außer Spezifikation” oder die konkrete Konzentration aus der Referenzanalytik). Diese Daten ladet ihr in ein Machine-Learning-System, etwa Azure ML oder eine lokale scikit-learn-Pipeline.

Schritt 2: Modell trainieren und validieren
Der Algorithmus (klassisch PLS-Regression, dazu Random Forest, Support Vector Machine oder Neural Network) lernt, Muster in den Spektral-Merkmalen zu erkennen, die mit Gehalt und Qualität zusammenhängen. Die Validierung ist kritisch: Ihr testet das Modell auf völlig neue Spektren, die nicht im Training waren, und gezielt auch auf Proben außerhalb der Spezifikation. Entscheidend ist nicht die Gesamttrefferquote, sondern wie viele der schlechten Proben das Modell findet. Bei 20 bis 30 Testspektren, von denen vielleicht zwei oder drei außer Spezifikation sind, sagt eine Quote von 90 oder 95 Prozent darüber fast nichts: Ein Modell, das immer “in Spec” sagt, käme auf denselben Wert. Für die Freigabe braucht ihr genug schlechte Proben im Testsatz, notfalls gezielt hergestellte.

Schritt 3: In die Analyseanlage integrieren. Das trainierte Modell fließt in die Spektrometer-Software zurück, entweder direkt in Bruker OPUS , in Metrohm Vision Air oder als eigenständige Integration per Python-Skript. Misst jemand eine neue Probe, berechnet das System automatisch Identifikation, Konzentration und einen Konfidenzwert. Auf dem Bildschirm erscheint etwa: „Diethylenglykol, Identität bestätigt, Wassergehalt 0,08 %, Konfidenz 97 %”, plus ein grünes oder rotes Signal für die Freigabe.

Was das System nicht leistet

Das Modell erkennt keine Substanzklassen, die es nicht gelernt hat. Ein Modell, das auf Vitamin D3 trainiert wurde, schaut bei Vitamin D2 ins Leere, die Spektralsignatur ist ihm unbekannt. Neue Substanzen erfordern Nachtraining.

Auch unerwartete Verunreinigungen erkennt das Modell nicht zuverlässig. Waren die Trainings-Spektren immer rein und taucht plötzlich eine Probe mit fünf Prozent Fremdstoff auf, wirkt das Spektrum für das Modell ungewöhnlich, ob es die Probe dann als außerhalb der Spezifikation einstuft, ist keine Garantie. Deshalb ist eine Konfidenzschwelle zentral: Alles unter 85 Prozent Konfidenz geht zur manuellen Prüfung.

Regelwerk und Validierung

Unter GMP, also bei Arzneimitteln, Wirkstoffen und deren Prüfung, ist ein Spektral-Analysenmodell ein analytisches Verfahren und muss als solches validiert werden: nach ICH Q2(R2), in der EU seit dem 14. Juni 2024 in Kraft, und in den USA nach der FDA Guidance on Analytical Procedures. Für NIR hat die EMA zusätzlich eine eigene Leitlinie zur Nahinfrarotspektroskopie. Ein Chemiebetrieb ohne GMP-Bezug muss nichts davon erfüllen, dort gilt, was QM-System und Kunden verlangen. Die Kriterien sind trotzdem die richtigen Prüffragen:

• Spezifität: Das Modell muss Zielstoffe von Verunreinigungen unterscheiden können, prüfbar durch gezieltes Zusetzen von Fremdstoffen zu echten Proben
• Arbeitsbereich: Die Vorhersage muss über den ganzen Konzentrationsbereich stimmen, den ihr freigeben wollt (z.B. 90–110 % Sollwert), nicht nur in der Mitte
• Wiederholpräzision: Messungen derselben Probe müssen reproduzierbar sein, Umfang der Mehrfachmessungen nach ICH Q2(R2)
• Robustheit: Das Modell sollte tolerant sein gegenüber kleinen Variationen in Spektrometer-Bedingungen

Ein Validierungsbericht unter GMP umfasst typisch 30–50 Seiten mit Testprotokollen, Datentabellen und Risikoanalyse. Das ist 4–8 Wochen Arbeit zusätzlich zur reinen Modellentwicklung. Diese Zeit muss von Anfang an eingeplant werden.

Hinweis: Die hier genannten regulatorischen Anforderungen sind eine inhaltliche Orientierung, kein Rechtsgutachten. Für GMP-validierte Systeme ist die Abstimmung mit der Qualitätseinheit oder einem Regulatory-Affairs-Spezialisten unerlässlich.

Konkrete Werkzeuge, was wann passt

Bruker OPUS , wenn Bruker-Geräte (Alpha, Vertex, Invenio) im Haus sind OPUS ist die hauseigene Software mit Spektralbibliotheken für die Identitätsprüfung. Ein eigenes Kalibriermodell lässt sich direkt auf den vorhandenen Daten trainieren (PLS im Modul QUANT2). Vorteil: direkte Hardware-Integration, GMP-validierbar, lokale Datenhaltung. Nachteil: proprietäres Format, Anbieterabhängigkeit.

Metrohm Vision Air , die Labor-Software für Metrohm-NIR-Geräte Setzt Metrohm-Hardware voraus und läuft lokal auf dem Labor-PC oder einem Site-Server, eine Cloud braucht es nicht. Vorteil: geführter Modellaufbau (Method Wizard), einfache Routine-Oberfläche, Pharma-Edition für 21 CFR Part 11. Nachteil: nur Metrohm-Geräte, wer Modelle über mehrere Standorte synchronisieren will, braucht eine eigene Edition oder eigene IT-Infrastruktur.

Eigene Python-Pipeline, für Betriebe mit Data-Science-Kompetenz und hohen Anforderungen an Datenhoheit Modelltraining mit scikit-learn oder TensorFlow lokal, Integration per Skript in die Analyseanlage. Vorteil: maximale Flexibilität, keine Anbieterbindung. Nachteil: braucht internes technisches Know-how, Wartung und Validierungsdokumentation liegen in der eigenen Verantwortung.

Azure ML , die Cloud-Lösung mit AutoML Sinnvoll, wenn das Unternehmen ohnehin Cloud-basiert arbeitet und Skalierbarkeit ein Thema ist. Azure ML deckt AutoML ab (automatische Modellauswahl) und lässt sich gut mit LIMS-Systemen verbinden. Die EU-Region ist wählbar.

Kurze Entscheidungshilfe:

• Bruker-Hardware vorhanden, schneller Einstieg → OPUS
• Metrohm-Hardware, geführter Modellaufbau, lokale Datenhaltung → Vision Air
• Maximale Kontrolle, eigenes technisches Team → eigene Python-Pipeline
• Langfristig skalierbar, Integration mit bestehenden Cloud-Systemen → Azure ML

Datenschutz und Datenhaltung

Trainings-Spektren enthalten keine personenbezogenen Daten, es handelt sich um numerische Messwerte, nicht um Personendaten. Sie enthalten aber Betriebsgeheimnisse: Spektralmuster, Rezepturhinweise, Qualitätskriterien des Unternehmens.

Eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO braucht es dafür nicht, sie betrifft nur personenbezogene Daten. Betriebsgeheimnisse schützt das Geschäftsgeheimnisgesetz, und zwar nur, wenn ihr angemessene Geheimhaltungsmaßnahmen trefft (§ 2 Nr. 1 GeschGehG): Vertraulichkeitsklauseln mit dem Cloud-Anbieter, Zugriffsrechte, Protokolle. Wer interne Qualitätsdaten an einen US-Anbieter gibt, sollte das deshalb vertraglich sauber regeln. Die üblichen Wege: Azure ML in einer EU-Region wählen, eine lokale Python-Lösung aufsetzen oder auf Cloud-Angebote europäischer Anbieter (etwa Hetzner, OVHcloud) ausweichen.

Für GMP-Umgebungen kommt ein zweiter Aspekt dazu: Integrität und Rückverfolgbarkeit. Spektren müssen digital signiert und archiviert sein, mit nachweisbarer Herkunft, wann gemessen, auf welchem Gerät, durch welche Person. Das ist nicht in jeder Cloud-Plattform standardmäßig gegeben und gehört in den Auswahlprozess.

Was es kostet, realistisch gerechnet

Einmalige Kosten für Modellentwicklung und Validierung

• Spektrometer, sofern nicht vorhanden: NIRS-Geräte von Metrohm laut unserer Toolseite ab ca. 25.000 €, mit Zubehör und Zusatzmodulen 25.000–60.000 €. Die Basissoftware (OPUS, Vision Air) ist in der Regel im Gerätepaket enthalten.
• Trainings-Spektren sammeln, Referenzwerte zuordnen und labeln: 40–100 Stunden interner Aufwand
• Modellentwicklung und Tests: 80–160 Stunden (Data Scientist im Haus oder externe Beratung: 15.000–40.000 €)
• Nur unter GMP: Validierungspaket (Risikoanalyse, Testplan, Durchführung, Bericht): 20.000–60.000 €
• Summe Einrichtung: 15.000–40.000 € mit vorhandenem Gerät und ohne GMP, bis 160.000 € mit neuem Gerät und GMP-Validierung

Laufende Kosten pro Monat

• Wartung, Modellpflege und regelmäßige Referenzmessungen gegen Drift: 500–2.000 € (je nach Nachtrainings-Bedarf)
• Eine Cloud-Gebühr fällt bei OPUS und Vision Air nicht an, beide laufen lokal

ROI-Rechnung mit 15 Analysen am Tag

• Volumen: 15 Gehaltsbestimmungen pro Tag
• Bisherige Zeit je Analyse: 90 Minuten Referenzanalytik
• Täglich gebundene Analytiker-Zeit: 22,5 Stunden
• Mit Modell: 20 Sekunden automatisiert plus 5 Minuten Nachprüfung je Probe
• Täglich gebundene Zeit mit KI: 1,25 Stunden
• Frei werdende Zeit: 21,25 Stunden täglich, rechnerisch 2,7 Vollzeitstellen
• In Geld wird das nur, soweit Stellen nicht nachbesetzt werden, Fremdvergaben an externe Labore entfallen oder Überstunden wegfallen. Dann: 21,25 Stunden × 200 Arbeitstage × 45 € pro Stunde brutto = 191.250 € pro Jahr
• Abzüglich 6.000–24.000 € laufender Kosten im Jahr bleiben 167.000–185.000 €
• Amortisation bei 100.000 € Einrichtungskosten: rund sieben Monate

Bei doppeltem Volumen (30 Analysen am Tag) sind es gut drei Monate. Macht dasselbe Team mit der gewonnenen Zeit einfach mehr Analysen, amortisiert sich in Euro nichts, dann ist der Nutzen schnellere Freigabe und weniger Wartezeit in der Produktion.

Wie sich der ROI wirklich messen lässt: Erfasse die Analysedauer eine Woche lang vor der Einführung, alle Zeiten, alle Proben. Erfasse dieselbe Metrik nach der Einführung. Die Differenz ist dein ROI. Parallel zählt der Kapazitätsgewinn: Wie viele Analysen sind jetzt täglich möglich, die vorher nicht machbar waren? Dieses Argument überzeugt im Management oft stärker als die reine Zeiteinsparung.

Typische Einstiegsfehler

Fehler 1: Mit zu wenigen Trainings-Spektren starten. Häufige Annahme: „Wir haben 20 historische Spektren, das reicht.” Es reicht nicht. Mit weniger als 50 Trainings-Spektren wird das Modell leicht überangepasst, es funktioniert perfekt auf den Trainingsdaten und versagt auf neuen. Auffallen tut das erst im produktiven Einsatz.

Was hilft: Mindestens 50, besser 100 oder mehr Spektren sammeln. Der Aufwand ist zeitintensiv, aber jede Stunde Datensammlung erspart später Wochen an Fehlersuche.

Fehler 2: Die Validierung als Nachgedanke behandeln. Der Reflex: Modell bauen, testen, Validierungsdokumentation hinterher einreichen. In regulierten Umgebungen verdoppelt das die Arbeit. GxP-Validierung ist kein Anhang, sie prägt die Modellarchitektur. Muss das Modell später validierungsfähig sein, muss das von Tag eins an eingeplant sein, sonst wird der Aufbau am Ende komplett neu strukturiert.

Was hilft: Validierungsplan parallel zum Modellentwurf erstellen. Testkriterien definieren, bevor das Modell gebaut wird. Spart am Ende ein bis zwei Monate.

Fehler 3: Modell-Drift ignorieren. Ein Modell wird auf Spektren aus 2022 trainiert. 2024 kommt ein neues Spektrometer ins Haus, oder das bestehende Gerät wird kalibriert. Die Charakteristik der Spektren verändert sich leicht. Das Modell verliert stillschweigend an Genauigkeit, bemerkt wird das erst, wenn die Fehlerquote sichtbar steigt.

Was hilft: Vierteljährlich zehn neue Spektren messen, mit den Modellvorhersagen abgleichen, Abweichungen dokumentieren. Wird die Abweichung zu groß, steht ein Retraining an, besser geplant als im Havarie-Modus.

Fehler 4: Die nicht-spektrale Variabilität vergessen. Ein Spektrum hängt nicht nur vom Stoff ab, sondern auch von Feuchte, Korngröße, Messtemperatur und Probenpräparation. Ein Modell, das ausschließlich auf feuchten Proben trainiert wurde, versagt an trockenen. Das Modell „sieht” denselben Stoff, aber in einer Form, die es so nie gelernt hat.

Was hilft: Die vorhersehbare Variabilität gezielt in die Trainingsdaten aufnehmen. Verschiedene Feuchtegrade, verschiedene Korngrößen, unterschiedliche Präparationen. Das bedeutet mehr Spektren, aber ein Modell, das auch an Betriebsrealität funktioniert.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Seite dieser Einführung ist handhabbar. Die menschliche Seite ist es nicht.

Das größte Widerstandsmuster: Analytiker, die Jahrzehnte ihre Expertise ins Spektrum-Lesen investiert haben, stehen jetzt vor einem Modell, das “das können wir auch”. Das kommt als Dequalifizierung an, egal wie sehr ihr betont, dass das Modell nur Routine-Analysen übernimmt und schwierige Fälle immer noch zum Experten gehen. Der Mensch hört: “Dein Job ist überflüssig geworden.”

Was hilft:

• Analytiker ins Modell-Training einbinden: Wer selbst Trainings-Spektren sammelt, Labels vergibt und das Modell testet, versteht die Grenzen und vertraut ihm in den Bereichen, wo es stark ist. Und es macht klar: Das Modell ist so gut wie die Daten, die Menschen dafür sammeln.
• Umgestalten, nicht ersetzen: Die Expertise verlagert sich von “Spektren auswerten” zu “problematische Spektren debuggen” und “Modell-Performance überwachen”. Das ist anspruchsvoller, nicht weniger wichtig.
• Mit Routineproben im Pilot starten: Nicht mit Spezial-Chemikalien, wo der Fehler teuer ist. Mit bekannten, einfachen Stoffen, wo das Modell fast perfekt ist, das gibt Vertrauen.

Häufige Einwände, und was dahintersteckt

“Die KI halluziniert falsche Ergebnisse.”
Das ist ein echtes Problem bei Generative AI (LLMs), aber nicht bei Spektral-ML. Ein Decision-Tree- oder SVM-Modell trifft eine Ja/Nein-Entscheidung basierend auf numerischen Merkmalen, das kann falsch sein, aber es erfindet nichts. Der Irrtum ist: ML-Modelle sind nicht “KI” im philosophischen Sinne. Sie sind statistische Klassifizierer. Sie sind nicht weniger verlässlich als ein Regressionsmodell in Excel.

“Unser Spektrometer ist zu alt, da funktioniert es nicht.”
Kann stimmen. Ältere Geräte können Schwächen mitbringen: schwächere Optik, höheres Rausch-Level, abweichende Kalibrierung. Das macht die Spektren weniger konsistent. Aber “zu alt” ist relativ, ein 15 Jahre altes Gerät, das regelmäßig gewartet und kalibriert wurde, kann immer noch funktionieren. Die Frage ist: Könnt ihr 50 konsistente Spektren davon sammeln? Wenn ja, seid ihr gut.

“Was, wenn sich die Rohstoffe ändern? Dann funktioniert das Modell nicht mehr.”
Richtig. Ein Modell kann nicht vorhersagen, was es nicht gelernt hat. Aber: Rohstoff-Veränderungen passieren (glücklicherweise) nicht täglich. Wenn ein Lieferant wechselt, müsst ihr Proben des neuen Rohstoffs messen, mit Referenzwerten belegen und das Modell erweitern und neu prüfen, unter GMP mit Revalidierung. Das sind Tage bis wenige Wochen, nicht der Aufwand des ersten Modells. Und solange der Rohstoff gleich bleibt, läuft das Modell stabil.

Woran du merkst, dass das zu dir passt

Das System ist eine gute Wahl, wenn folgendes zutrifft:

✓ Ihr habt über 10 Gehaltsbestimmungen täglich, die heute über Referenzanalytik laufen
✓ Die Analysen sind repetitiv, immer die gleichen Stoffe, die gleichen Test-Parameter
✓ Ihr habt ein geordnetes Archiv von mindestens 50 historischen Spektren mit bekanntem Resultat
✓ Die Fehlentscheidungskosten sind real, eine falsch freigegebene Charge kostet echtes Geld
✓ Euer Spektrometer wird regelmäßig kalibriert und gepflegt

Das System ist nicht geeignet, wenn:

✗ Ihr habt weniger als 10 Analysen täglich (eine volle Einrichtung mit neuem Gerät und GMP-Validierung braucht dann Jahre, bis sie sich rechnet)
✗ Die Analysen sind hochgradig unterschiedlich, jede Probe braucht andere Parameter
✗ Ihr habt keine verwertbaren historischen Daten (oder nur 5–10 Spektren)
✗ Euer Spektrometer ist in schlechtem Zustand oder wird nicht regelmäßig gewartet
✗ Eine falsch freigegebene Charge ist unkritisch (dann ist manuelle Routine okay)

Das kannst du heute noch tun

Bevor du mit Risikoanalyse und Modellbildung startest: Sammle alle historischen Spektren aus der Software deines Spektrometers, dort liegen sie meist archiviert, seit das Gerät im Einsatz ist. Dann:

1. Sortiere die Spektren nach Substanz und Qualitätsstatus, „in Spezifikation” oder „außerhalb”.
2. Zähle, wie viele verwertbare Spektren du vom Hauptrohstoff hast. Über 50? Dann bist du technisch startklar.
3. Sprich mit dem Hersteller deines Spektrometers, ob er selbst oder eine Beraterin beim Modelltraining unterstützen kann.

Wer in den nächsten vier Wochen mit dem Modelltraining beginnen will, braucht vorher eine saubere Dokumentation der Trainings-Spektren. Die folgende Vorlage funktioniert als Ausgangspunkt, im Team durchgehen, ausfüllen, Lücken markieren:

Quellen & Methodik

• FDA Guidance on Analytical Procedures (2015): Analytical Procedures and Methods Validation for Drugs and Biologics
• ICH Q2(R2), Validation of Analytical Procedures: EMA, Scientific Guideline, veröffentlicht 22.12.2023, in der EU in Kraft seit 14.06.2024. Auf derselben Seite verlinkt: die EMA-Leitlinie zur Nahinfrarotspektroskopie in der pharmazeutischen Industrie.
• Geschäftsgeheimnis, angemessene Geheimhaltungsmaßnahmen: § 2 GeschGehG
• Bruker OPUS: Bruker, OPUS Spectroscopy Software, Module SEARCH/IDENT, QUANT2, Validation Software; lokale Datenhaltung laut unserer Toolseite
• Metrohm Vision Air: Metrohm, Vision Air Software Center, Labor-Software für Vis-NIR mit FDA- und GAMP-Zertifikat; lokale Datenhaltung und Gerätepreis ab ca. 25.000 € laut unserer Toolseite