HPLC-Chromatogramme automatisch auswerten

Das echte Ausmaß des Problems

HPLC, Hochleistungsflüssigkeitschromatographie, ist die am häufigsten eingesetzte Analysemethode in der pharmazeutischen Qualitätskontrolle. Sie bestimmt Reinheit, Wirkstoffgehalt und Abbauprodukte in Arzneimitteln, Wirkstoffen und Ausgangsmaterialien. Ein gut ausgestattetes QC-Labor in der Pharmaindustrie fährt täglich 50 bis 200 HPLC-Läufe.

Das Problem ist nicht die Messung selbst, moderne HPLC-Systeme laufen hochzuverlässig und automatisch. Das Problem ist die manuelle Auswertung danach: Jeder Lauf erzeugt ein Chromatogramm, in dem Peaks identifiziert, integriert und gegen die Kalibrierkurve abgeglichen werden müssen. Bei klaren, gut getrennten Peaks geht das schnell. Bei überlappenden Peaks, variierenden Baselines oder unbekannten Störkomponenten entscheidet Erfahrung, und damit der Analytiker, was integriert wird und was nicht.

Die inter-analyst-Variabilität ist das eigentliche Compliance-Risiko. Zwei erfahrene Analytiker, die dieselbe Methode auf denselben Lauf anwenden, können bei überlappenden Peaks zu messbar unterschiedlichen Integrationsergebnissen kommen. Für Verunreinigungen nahe der Quantifizierungsgrenze (LOQ) können die Abweichungen entscheidend sein, ein Ergebnis liegt dann knapp innerhalb oder knapp außerhalb der Spezifikation. R.D. McDowall, ein anerkannter Experte für chromatographische Datenintegrität und Autor mehrerer LCGC-Standardwerke zum Thema, beschreibt das Problem präzise: „Manual integration is slow, especially for sequences with large numbers of injections with complex separations where each requires individual baseline repositioning.” Und weiter: Die Regulierungsbehörden (FDA, EMA, PMDA) haben in Inspektionen wiederholt festgestellt, dass manuelle Eingriffe in die Peakintegration genutzt wurden, teils bewusst, teils unbewusst, um Ergebnisse in die Spezifikation zu schieben.

Die regulatorische Situation hat sich verschärft. Im Juli 2025 hat die Europäische Kommission erstmals drei neue EU-GMP-Entwürfe zur Konsultation gestellt: den überarbeiteten Annex 11 „Computerised Systems”, ein neues Kapitel 4 „Documentation” und, ein Novum, den Annex 22 „Artificial Intelligence”, den ersten eigenständigen GMP-Leitfaden für den Einsatz von KI in regulierten Pharmaumgebungen. Die Anforderungen: risikobasierte Bewertung, definierte Verantwortlichkeiten, nachvollziehbare Entscheidungslogik, Validierungsstrategien für lernende Systeme mit Trainings- und Testdatenverwaltung, Drift-Monitoring. Das ist kein Signal, KI nicht einzusetzen, es ist ein Signal, es ordentlich zu tun.

Für ein mittelgroßes QC-Labor mit täglich 100 HPLC-Analysen und angenommenen 25 Minuten manuellem Auswertungsaufwand je Lauf ergibt sich: 2.500 Analytiker-Minuten täglich. Das sind über 40 Stunden, jeden Tag. Bei angenommenen 60 Euro Lohnkosten je Stunde stecken darin 2.500 Euro Arbeitszeit am Tag. Wie viel davon wegfällt, rechnet der Kostenabschnitt unten mit ausdrücklichen Annahmen vor; die Prüfung jedes Laufs bleibt.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeitersparnis ist sofort und präzise messbar: Du zählst Läufe, misst Auswertungsminuten, vergleichst vorher und nachher. Das macht den ROI dieser Maßnahme klarer als bei fast jedem anderen KI-Einsatz im Labor.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Die Zeitersparnis bei der HPLC-Auswertung ist einer der direktesten und am besten messbaren KI-Effekte im Labor. Statt 20–60 Minuten je Lauf für manuelle Peakintegration, Kalibrierungsabgleich und Reporterstellung verbleibt nach der Automatisierung nur noch die Prüfung des Ergebnisses durch den Analytiker, im Normalfall 3–8 Minuten. Bei 50–100 Läufen täglich ergibt das eine Entlastung von 40 bis 80 Prozent der reinen Auswertungszeit. Höhere Bewertung als jeder andere Anwendungsfall im chemisch-pharmazeutischen Vergleich, weil die Einsparung täglich anfällt, direkt messbar ist und mit der Laufzahl skaliert.

Kosteneinsparung, niedrig (2/5) Die automatische Integration steckt in den etablierten Chromatographie-Datensystemen meist schon drin, allerdings regelbasiert, nicht als KI: Waters Empower nutzt den ApexTrack-Algorithmus, Thermo Chromeleon SmartPeaks und Cobra, Agilent OpenLAB CDS den Integration Optimizer. Ein KI- oder ML-Modul dokumentiert laut unseren Toolseiten keiner der drei. Die Kosten sind also in der Regel kein großes Neuinvestment. Dafür sind die Validierungskosten (IQ/OQ/PQ) der eigentliche Kostenhebel, dazu mehr im Validierungsabschnitt. Insgesamt eine unterdurchschnittliche Bewertung: Die Einsparung liegt vor allem in Arbeitszeit, nicht in direkten Sachkosten.

Schnelle Umsetzung, mittel (3/5) Das ist der ehrlichste Score dieses Anwendungsfalls. Der technische Aufwand, Software einrichten, Methoden hinterlegen, ist vergleichsweise gering. Der Validierungsaufwand unter GMP ist der eigentliche Zeitfresser: IQ/OQ/PQ für ein neues oder geändertes Softwaresystem dauert unter GMP realistisch 4–8 Wochen für einfache Einzelmethoden, und 3–6 Monate für komplexe Multi-Methoden-Umgebungen mit vielen Analyten. Wer in einem nicht regulierten Labor arbeitet (Forschung, Industrie ohne GMP-Pflicht), kommt deutlich schneller zum Pilotbetrieb, dann wäre ein Einstieg in 2–3 Wochen machbar. Im GMP-Kontext ist die 3 die ehrliche Einschätzung.

ROI-Sicherheit, sehr hoch (5/5) Der ROI dieser Maßnahme ist präziser messbar als bei fast jedem anderen Automatisierungsvorhaben im Labor. Du weißt die Anzahl der Läufe pro Tag, du kannst die Auswertungszeit je Lauf vorher und nachher messen, und du kannst direkt vergleichen. Es gibt keine Zuschreibungsprobleme, keine indirekten Effekte, keine langen Kausalitätsketten. Zusätzlich kommt ein schwerer messbarer, aber realer Compliance-Benefit: Weniger inter-analyst-Variabilität bedeutet weniger OOS-Ergebnisse durch Auswertungsfehler, und das bedeutet weniger Nachuntersuchungen (OOS-Investigations sind sehr teuer und zeitintensiv unter GMP). Stärkste roi_sicherheit im Chemie-Vergleich zusammen mit den Batch-Protokollen.

Skalierbarkeit, hoch (4/5) Sobald die erste Methode validiert ist, folgen weitere mit deutlich geringerem Aufwand. Das Grundsystem (CDS, Validierungsstruktur, Datenbankanbindung) ist einmalig aufgebaut; jede zusätzliche Methode ist ein Konfigurationsaufwand von Stunden bis wenigen Tagen, nicht Wochen. Neue HPLC-Geräte lassen sich in das bestehende CDS-Netz einbinden. Nicht ganz maximal bewertet, weil jede neue Methode zumindest eine methodenspezifische Verifikation braucht, vollständige Validierungsfreiheit gibt es unter GMP nicht.

Richtwerte, stark abhängig von Laborgröße, regulatorischem Umfeld und bestehendem CDS-System.

Was das System konkret macht

Die Peakintegration ist der Kern des Problems. Ein Chromatogramm ist eine Kurve, Zeit auf der X-Achse, Detektorsignal auf der Y-Achse. Jede Substanz, die durch die Säule läuft, erzeugt einen Peak. Die Fläche unter diesem Peak ist proportional zur Konzentration. Bisher hat ein Analyst die Baseline (die Grundlinie des Signals) manuell gezogen, die Peakgrenzen definiert und die Fläche berechnet. Das klingt trivial, ist es aber nicht: Eine driftende Baseline, überlappende Peaks, Schulterpeaks oder Störsignale aus der Matrix machen aus einer einfachen geometrischen Aufgabe ein Expertenproblem.

Was KI-gestützte Integration konkret anders macht:

In den gängigen CDS übernimmt das heute ein regelbasierter Algorithmus mit fest hinterlegten Parametern; ein trainiertes Modell gibt es bisher vor allem in der Forschung (Satwekar et al. 2023) und in eigenen Pipelines. Ein solches Modell, trainiert auf tausenden validierten Chromatogrammen derselben Methode, erkennt die methodenspezifische Signalcharakteristik. Es weiß, wo die Peaks dieser Methode typischerweise liegen, wie breit sie sein sollten, was zur Baseline gehört und was nicht. Es setzt die Integrationsgrenzen konsistent, nicht wie ein Analytiker am Dienstagnachmittag, der müde ist und das elfte Chromatogramm vor sich hat, sondern wie der Methodenentwickler es ursprünglich validiert hat.

Konkret läuft das so ab:

1. Peakdetektion: Das System identifiziert alle Peaks, inklusive kleiner Nebenpeaks und Verunreinigungen, anhand trainierter Erkennungsparameter. Falsch-Negative (übersehene Peaks) werden geloggt und für den Analytiker hervorgehoben.
2. Baseline-Korrektur: Algorithmische Baseline-Bestimmung nach der hinterlegten Methodenstrategie (Drop, Valley, Tangent Skim, exponentiell). Keine Ermessensentscheidung.
3. Integration und Berechnung: Peakflächen werden berechnet, gegen die Kalibrierkurve abgeglichen, Gehalte werden ermittelt.
4. OOS-Flagging: Ergebnisse außerhalb der Spezifikation werden sofort markiert und zur Prüfung vorgelegt, kein manueller Vergleich mit Tabellen.
5. Reportgenerierung: Der strukturierte Auswertungsbericht wird automatisch erstellt, im Format des LIMS oder als GMP-konformer PDF-Report mit Audit-Trail.

Der Analytiker prüft das Ergebnis, signiert es elektronisch und gibt es frei. Er greift nur dann aktiv ein, wenn das System einen Lauf zur manuellen Prüfung markiert, also bei ungewöhnlichen Chromatogrammen, die außerhalb des Trainingsbereichs des Modells liegen.

Was das System nicht kann: Es kann keine neue Methode entwickeln. Es kann nicht entscheiden, ob ein bisher unbekannter Peak relevant ist. Und es kann bei starkem Matrixrauschen (sehr schmutzige Probe, ungewöhnliche Degradationsprodukte) genauso verwirrt sein wie ein unerfahrener Analytiker, dazu mehr im Abschnitt zu Einstiegsfehlern.

Softwarevalidierung: Der unterschätzte Zeitfresser

Hier trennt sich der pharmazeutische Sektor von jedem anderen: In einem regulierten GMP-Labor (nach EU GMP, FDA 21 CFR, oder ICH Q7) darf keine Software für die Auswertung von Prüfunterlagen eingesetzt werden, bevor sie nicht validiert wurde. Das gilt für jede neue Version, jeden neuen Modul-Aufsatz, jede Konfigurationsänderung mit Auswirkung auf die Auswertungsergebnisse.

Das Validierungsprotokoll umfasst drei Phasen:

IQ, Installation Qualification: Nachweis, dass die Software korrekt installiert wurde und die Systemanforderungen erfüllt. Betriebssystem-Version, Serveranforderungen, Netzwerkzugang, alles wird dokumentiert und geprüft. Aufwand: typisch 2–5 Tage.

OQ, Operational Qualification: Nachweis, dass die Software innerhalb ihrer Spezifikation funktioniert, Peakintegration bei definierten Testchromatogrammen, Berechnung nach vorgegebenen Formeln, Audit-Trail-Funktion, Zugriffssteuerung. Aufwand: typisch 1–3 Wochen, abhängig von der Methodenkomplexität.

PQ, Performance Qualification: Nachweis, dass die Software unter realen Laborbedingungen reproduzierbar und korrekt arbeitet. Hier werden eigene Methoden getestet, echte Probensequenzen durch das System geschickt und die Ergebnisse mit der bisherigen manuellen Auswertung verglichen. Aufwand: typisch 2–4 Wochen für einfache Umgebungen, bis zu 3–4 Monate für komplexe Multi-Methoden-Systeme.

Wichtig: Die Validierung muss wiederholt oder erweitert werden, wenn das Integrationsmodul oder ein eigenes Modell eine neue Version bekommt, wenn die Methode geändert wird oder wenn neue Instrumententypen eingebunden werden. Das ist kein einmaliger Aufwand, sondern ein laufender Prozess.

Die Kosten für die Validierung werden häufig unterschätzt. Wenn ein CDS-Anbieter wie Waters oder Agilent eigene IQ/OQ/PQ-Servicepakete anbietet, rechnet diese Seite mit der Annahme von 3.000–8.000 Euro je Systeminstallation, zuzüglich der internen Aufwände für PQ-Tests, Dokumentation und QA-Review. Für externe Validierungsdienstleister (spezialisierte CSV-Berater) nehmen wir 1.000–2.500 Euro pro Tag an; öffentliche Preise gibt es für beides nicht, verbindlich ist das Angebot.

Das ist der Hauptgrund, warum schnelle_umsetzung mit 3 bewertet ist: Nicht weil die Software kompliziert wäre, sondern weil die regulatorische Absicherung Zeit braucht, und das ist gut so.

Für Labore ohne GMP-Anforderungen (Forschung, Industrie ohne FDA/EMA-Zulassung, Lebensmittellabore nach ISO 17025 ohne HPLC-Freigabepflicht) entfällt der IQ/OQ/PQ-Aufwand. Dann ist der Einstieg mit automatischer Peakintegration in wenigen Wochen realisierbar.

Konkrete Werkzeuge, was wann passt

Die Frage „welches Tool?” wird in der Praxis meist durch das vorhandene Chromatographie-Datensystem (CDS) entschieden, nicht durch eine Marktauswahl. Wer bereits ein CDS hat, aktiviert die automatische Integration darin, wer neu einrichten muss, hat die freie Wahl.

Waters Empower CDS , Der De-facto-Standard in regulierten pharmazeutischen Laboren weltweit. Empower ist weit verbreitet, gut dokumentiert, und SOPs aus anderen GMP-Laboren sind oft direkt übertragbar. Für die automatische Integration bringt Empower den regelbasierten ApexTrack-Algorithmus mit, auch für Schulter- und Low-Level-Peaks; ein KI- oder ML-Modul gibt es laut unserer Toolseite nicht. Einschränkung: Optimal für Waters-eigene HPLC- und UPLC-Systeme; Fremdgeräte erfordern Zusatzmodule. Keine öffentlichen Listenpreise, Angebot über den Waters-Vertrieb. Für Pharmaunternehmen, die bereits Waters-Hardware betreiben, ist das die naheliegendste Wahl.

Agilent OpenLAB CDS 2.x , Agilents Antwort auf Empower. Stärke: herstellerübergreifende Instrumentenunterstützung, Agilent- und Fremdgeräte laufen gemeinsam in einer Oberfläche. Eine KI- oder ML-Auswertung dokumentiert Agilent laut unserer Toolseite nicht, die Peak-Verarbeitung setzt auf klassische, validierbare Algorithmen wie den Integration Optimizer. Empfehlung: Labore mit Agilent-Hardware oder gemischter Gerätelandschaft. Preis nur auf Anfrage.

Thermo Chromeleon CDS mit SmartPeaks Integration Assistant und Cobra-Algorithmus, Thermo Fishers CDS mit automatischer Peakintegration. Das ist klassische Signalverarbeitung, kein lernendes System. Besonders stark bei Ionenchromatographie. Ob die Intelligence-Funktionen im Lizenzumfang enthalten sind oder separat kosten, klärst du vor dem Angebot. Für Labore mit Thermo-Instrumenten oder mit IC-Schwerpunkt eine starke Option.

Python-basierte Open-Source-Pipelines, Für Labore mit Entwicklungsressourcen und ohne strenge GMP-Auflagen: Mit Bibliotheken wie scipy.signal für Peakdetektion und dem in Python verfügbaren Ecosystem aus pandas, scikit-learn und matplotlib lassen sich maßgeschneiderte Auswertungs-Pipelines bauen. Der Ansatz wurde 2023 von Satwekar et al. in einer publizierten Arbeit zur Universal Deep Learning AI Architecture für automatische Peakintegration wissenschaftlich untersucht. Vorteil: volle Kontrolle, keine Lizenzkosten, direkte LIMS-Anbindung möglich. Nachteil: erheblicher Entwicklungsaufwand, keine Out-of-the-box-Validierungsdokumentation für GMP.

LabVantage / WinLIMS als LIMS-Backend, Ein Chromatographie-Datensystem allein genügt in größeren Laboren nicht: Die Ergebnisse müssen ins Laborinformationsmanagement-System (LIMS) übertragen werden, wo Prüfaufträge, Chargenstatus und Freigabeentscheidungen verwaltet werden. LabVantage ist ein weit verbreitetes LIMS für pharmazeutische Qualitätssicherung; WinLIMS eignet sich besonders für akkreditierte Umwelt- und Analyselabore in Deutschland. Die Integration von CDS und LIMS ist ein eigenes Projektfeld und sollte von Anfang an eingeplant werden.

Zusammenfassung: Wann welcher Ansatz

• Waters-Geräte, GMP-Umfeld → Waters Empower
• Agilent-Geräte oder gemischter Park → Agilent OpenLAB CDS
• Thermo-Geräte oder IC-Schwerpunkt → Thermo Chromeleon
• Forschungslabor ohne GMP, Entwicklungsressourcen vorhanden → Python-Pipeline
• LIMS-Integration benötigt → LabVantage oder WinLIMS

Datenschutz und Datenhaltung

HPLC-Daten in einem pharmazeutischen Labor sind keine personenbezogenen Daten im Sinne der DSGVO, es geht um Messwerte von Substanzen, nicht von Personen. Trotzdem gibt es relevante Datenschutz- und Compliance-Fragen:

Regulatorische Anforderungen überschneiden sich mit Datenschutz:

• Elektronische Aufzeichnungen nach 21 CFR Part 11 (FDA) und EU GMP Annex 11 verlangen Audit-Trails, Zugriffssteuerung, elektronische Signaturen und Schutz vor unautorisierter Änderung. Das ist technisch kein Datenschutz, aber organisatorisch vergleichbar aufwändig.
• Die neuen Anforderungen aus EU GMP Annex 22 (KI), dessen Entwurf im Juli 2025 veröffentlicht wurde, verlangen zusätzlich: dokumentierte Trainings- und Testdaten für ML-Modelle, Drift-Monitoring, Versions-Audit-Trails für Modelle, und definierte Fallback-Prozeduren wenn das KI-Modul fehlerhaft arbeitet.

Datenhaltung bei CDS-Systemen:

• Waters Empower und Agilent OpenLAB CDS können vollständig On-Premise im eigenen Labor betrieben werden, das ist die bevorzugte Wahl für regulierte Pharmaumgebungen. Keine Daten verlassen das interne Netz.
• Cloud-Optionen (Agilent OpenLAB Server) sind verfügbar, erfordern aber zusätzliche Compliance-Prüfung für GMP-Umgebungen.
• Wer Python -Pipelines einsetzt, kann die gesamte Verarbeitungsinfrastruktur vollständig On-Premise halten, kein externer Service, kein API-Aufruf zu einem Cloud-LLM.
• Ein AVV nach Art. 28 DSGVO ist nur erforderlich, wenn personenbezogene Daten an externe Dienstleister übertragen werden (z. B. an einen externen Validierungsdienstleister, der auf interne Systeme zugreift). Für rein interne CDS-Systeme ohne Personenbezug entfällt diese Pflicht.

Empfehlung für regulierte Pharmaunternehmen: On-Premise oder Private Cloud im eigenen Rechenzentrum. Keine Übertragung von Rohdaten oder Auswertungen an externe KI-Cloud-Services ohne vorherige Validierung und Compliance-Prüfung unter Annex 11 / 21 CFR Part 11.

Was es kostet, realistisch gerechnet

Einmalige Kosten

• Lizenz für das CDS: Wer bereits ein CDS hat (Empower, OpenLAB, Chromeleon), nutzt die automatische Integration oft schon im Lizenzumfang; ob ein Zusatzmodul nötig ist, zeigt das Angebot. Wer ein neues CDS einführt, rechnet mit der Annahme von 10.000–30.000 Euro Erstlizenz.
• IQ/OQ/PQ-Validierung durch den CDS-Anbieter: Annahme 3.000–8.000 Euro je Systeminstallation. Externe CSV-Berater: Annahme 1.000–2.500 Euro/Tag, typisch 5–15 Arbeitstage gesamt.
• Methoden-Migration und Konfiguration: 2–4 Stunden je bestehende Methode (intern oder durch Systemintegrator).

Laufende Kosten

• CDS-Software-Wartungsvertrag: typisch 15–20 % der Erstlizenz pro Jahr.
• Periodische Re-Qualifizierung bei Softwareupdates: Annahme 1.500–5.000 Euro pro Versionswechsel (vereinfacht im Vergleich zur Erstvalidierung, aber nicht null).

ROI-Rechnung für ein mittelgroßes QC-Labor (100 Läufe/Tag), mit Annahmen

• Annahme: 25 Minuten manuelle Auswertung je Lauf, mit Automatik 5 Minuten Prüfung und Freigabe, also 20 Minuten weniger
• Annahme: 70 % der Läufe laufen automatisch durch, der Rest bleibt manuell
• Einsparung: 70 Läufe × 20 Minuten = 1.400 Minuten, rund 23 Analytiker-Stunden täglich
• Annahme: 60 Euro/Stunde Lohnkosten inkl. Arbeitgeberanteil (zum Vergleich: eine Arbeitsstunde kostete 2024 laut Destatis im Schnitt aller Branchen 43,40 Euro)
• Täglich: rund 1.400 Euro. Jährlich bei 240 Arbeitstagen: rund 336.000 Euro an Arbeitszeit.
• Laufen nur 30 % der Läufe automatisch durch: 30 × 20 Minuten = 10 Stunden täglich, rund 144.000 Euro im Jahr

Das ist Arbeitszeit, kein Geld auf dem Konto. Zu Geld wird sie, wenn das Labor bei steigender Laufzahl keine zusätzliche Analytikerstelle besetzen muss oder Chargen schneller freigibt. Unter dieser Bedingung amortisieren sich die Einrichtungskosten (Annahme: 30.000–50.000 Euro inkl. Validierung) auch im ungünstigen Szenario in weniger als einem Jahr. Die Messbarkeit der Zeit ist der Grund, warum roi_sicherheit mit 5 bewertet ist.

Wie du den Nutzen tatsächlich misst: Vor der Einführung: Stichprobe von 20 Läufen, manuelle Zeitmessung der Auswertung je Lauf. Nach der Einführung: dieselbe Messung. Die Differenz ist der Nachweis. Kein Schätzmodell, kein Umweg über Nutzerbefragungen.

Vier typische Einstiegsfehler

1. Das KI-Modell mit sauberen Peaks trainieren, es mit schmutzigen Baselines betreiben. Das ist der technisch häufigste Grund, warum automatische Peakintegration in der Praxis zu viele False-Positive-OOS-Alerts erzeugt. Ein Machine Learning-Modell, das ausschließlich auf klar getrennten, rauschfreien Chromatogrammen trainiert wurde, scheitert bei einer driftenden Baseline, einem Lösungsmittelfront-Artefakt oder einer ungewöhnlichen Matrixinterferenz. Es integriert dann entweder zu viel (Artefakt als Peak erkannt) oder zu wenig (kleiner Peak verschwindet im Rauschen). Lösung: Das Trainingsset muss repräsentativ sein, inklusive der „schlechten Tage” im Labor, der Saisoneffekte (Kühlungsprobleme im Sommer, Lösungsmittel-Degradation), der realen Probenmatrix-Varianz. Ein Modell, das nur gelernt hat, wie gute Chromatogramme aussehen, ist kein robustes Modell.

2. Die Methodenvalidierung als einmaliges Event behandeln. Automatische Peakintegration bedeutet, dass die Integrationsstrategie fest in der Methode kodiert ist. Wenn sich die Probe ändert (neuer Lieferant, neue Syntheseroute, geändertes Degradationsprofil), muss die Methode angepasst und re-validiert werden, und bis das passiert, erzeugt das System systematisch falsche Ergebnisse. Der gefährlichste Fall: Das System integriert einen neuen kleinen Nebenkomponenten-Peak konsistent als Baseline-Rauschen, weil er in der ursprünglichen Methode nicht vorgesehen war. Das Ergebnis sieht gut aus und ist es nicht. Lösung: Eine formale Methoden-Review-Prozedur, die bei definierten Auslösern (Rohstoffwechsel, Produktänderung, neue ICH-Anforderung) ausgelöst wird.

3. Die Softwarevalidierung als IT-Projekt behandeln. IQ/OQ/PQ ist kein IT-Projekt und kein Administrationsaufwand, es ist ein QS-Projekt. Wer die Validierung an die IT-Abteilung delegiert und nicht von Anfang an die QA-Leitung einbindet, bekommt am Ende ein technisch funktionierendes System, das regulatorisch nicht abgesichert ist. Und dann beginnt die Validierung nochmal von vorne. Lösung: QA vom ersten Tag an in die Planung einbinden. Das verlängert die Projektlaufzeit, aber nicht die Gesamtdauer bis zur produktiven Nutzung, weil man nicht zweimal anfängt.

4. Den Maintenance-Aufwand für die Chromatogrammdatenbank unterschätzen. Automatische Integration lebt von der Qualität der Referenzdaten. Wenn die Kalibrierstandards nicht regelmäßig erneuert werden, wenn alte Sequenzen im System bleiben und den Referenzbereich verzerren, oder wenn Systemparameter (Säule, Flussrate, Temperatur) sich schleichend ändern, ohne dass die Methode angepasst wird, degradiert die Auswertungsqualität still. Das ist das CDS-Äquivalent zum veralteten RAG-Index in der Wissensdatenbank: Das System klingt zuverlässig und liefert doch Fehler. Lösung: Monatliche Systembewertung anhand definierter Systemeignungstests (SST), nicht nur instrumentell, sondern auch der KI-Auswertungslogik.

Was mit der Einführung wirklich passiert, und was nicht

Die größte praktische Überraschung bei der Einführung automatischer Peakintegration: Es ist nicht die Technik, die aufhält, es sind die erfahrenen Analytiker.

In jedem Labor gibt es zwei oder drei Personen, die seit Jahren die HPLC-Auswertung machen und die das System besser kennen als die Methodenbeschreibung. Diese Menschen haben ein tiefes, teils tacites Wissen darüber, wann ein Chromatogramm okay ist und wann nicht. Wenn das KI-System einen Lauf freigibt, den sie intuitiv als verdächtig eingeschätzt hätten, ist der erste Reflex: „Das Modell hat sich geirrt.” Manchmal haben sie recht. Öfter haben sie recht und es ist eine komplizierte Konversation. Selten liegen sie falsch, und das ist der Moment, aus dem das beste Feedback entsteht.

Die Einführung gelingt besser, wenn erfahrene Analytiker aktiv in die Methodenkonfiguration und Trainingsset-Auswahl eingebunden werden. Ihr Wissen darüber, welche Chromatogramm-Muster „normal aber komisch” sind, ist wertvoller als jedes Standard-Trainingsset vom Anbieter.

Was in den ersten Wochen typisch passiert:

• Das System flaggt mehr Läufe zur manuellen Prüfung als erwartet, weil die Parametrisierung zu konservativ ist. Das ist in Ordnung und korrigierbar.
• Ein Lauf, den das System automatisch freigibt, wird von einem erfahrenen Analytiker angezweifelt. Das ist der wichtigste Feedback-Moment, sorgfältig analysieren, ob das Modell wirklich recht hatte.
• Die Reportgenerierung erzeugt Formate, die das LIMS nicht direkt akzeptiert. CDS-LIMS-Integration ist regelmäßig das aufwändigste nicht-KI-Problem in diesem Projekt.

Was nicht passiert:

• Analytiker werden nicht überflüssig. Ihre Rolle verschiebt sich von Integrations-Handarbeit zu Qualitätsprüfung und Anomalie-Bewertung. Das ist wertvoller.
• Das System löst das Problem komplexer, nicht-standardisierter Trennprobleme nicht. Für neue Methoden oder unbekannte Matrizen bleibt die Methodenentwicklungskompetenz unverzichtbar.

Realistischer Zeitplan mit Risikohinweisen

Realistisch bis zum produktiven Einsatz mit der ersten validierten Methode: 10–14 Wochen im GMP-Umfeld. Das klingt lang, aber es ist der Unterschied zwischen einem validierten und einem nicht-validierten System, und nur ein validiertes System hat regulatorischen Bestand.

Häufige Einwände, und was dahintersteckt

„Wir brauchen die manuelle Kontrolle für die Compliance.” Das Missverständnis hier: Compliance verlangt keine manuelle Integration, sie verlangt dokumentierte, konsistente Integration. Eine automatisierte, parametrisierte Peakintegration, die in der Methode fixiert und per IQ/OQ/PQ validiert wurde, erfüllt die Compliance-Anforderungen vollständig. Sie ist tatsächlich konformer als eine manuelle Integration, weil sie weniger Spielraum für Ermessensentscheidungen lässt, die zu Datenintegritätsproblemen führen können. Die FDA-Warningletters der letzten zehn Jahre (u. a. Fresenius Kabi Oncology, Divi’s Laboratories) zitieren fast ausschließlich manuelle Eingriffe in die Peakintegration als Kern der Beanstandungen.

„Das KI-Modell macht Fehler, die wir nicht bemerken.” Das ist ein berechtigtes Risiko, aber kein Argument gegen die Automatisierung, sondern ein Argument für gutes Monitoring. Das System muss so konfiguriert sein, dass es unsichere Läufe explizit zur manuellen Prüfung markiert. Zusätzlich braucht es eine periodische Systembewertung anhand definierter Systemeignungstests. Wenn ein Modell anfängt, eine bestimmte Fehlerklasse systematisch zu machen, wird das sichtbar, das ist das Konzept des Drift-Monitorings, das der neue EU GMP Annex 22 (Entwurf Juli 2025) für KI-Systeme explizit verlangt. Ein System ohne Drift-Monitoring ist ein Problem. Ein System mit Drift-Monitoring ist robuster als manuelle Auswertung.

„Der Validierungsaufwand lohnt sich nicht für unser kleines Labor.” Das stimmt, für Labore unter einer bestimmten Schwelle. Die Untergrenze liegt etwa bei 30–40 HPLC-Läufen täglich: darunter lässt sich der Validierungsaufwand kaum durch Zeitersparnis rechtfertigen. Für Forschungslabore ohne GMP-Anforderungen ist der Einstieg über Open-Source-Pipelines oder CDS-Konfiguration ohne Vollvalidierung realistisch. Der Einwand wird zum echten Ausschlussgrund, wenn das Labor sowohl klein als auch reguliert ist, dann bleibt der ROI eng.

Woran du merkst, dass das zu dir passt

Du findest dich in mehreren dieser Aussagen wieder:

• Dein Labor fährt täglich mehr als 30–40 HPLC-Läufe, und die Auswertung belegt täglich mehr als 2 Stunden Analytikerzeit
• Du hast wiederholt erlebt, dass zwei Analytiker denselben überlappenden Peak unterschiedlich integriert haben, und beide hatten methodisch gute Argumente
• Dein bestehendes CDS (Empower, OpenLAB, Chromeleon) hat eine automatische Integrationsfunktion, die du nicht nutzt, weil die Validierung noch aussteht
• OOS-Untersuchungen nach Chargenfreigabe haben ergeben, dass das Problem in der Auswertung lag, nicht in der Produktion
• Dein Labor bereitet sich auf eine FDA-Inspektion oder ein EMA-GMP-Audit vor, und Peakintegration ist ein Bereich, den du lieber standardisiert hättest

Drei harte Ausschlusskriterien, wann du es (noch) lassen solltest:

1. Unter 30 HPLC-Läufen täglich. Der kombinierte Aufwand aus IQ/OQ/PQ-Validierung (intern und extern) amortisiert sich bei kleinen Laufvolumina schlicht nicht. Wer 10–15 Läufe täglich fährt und eine erfahrene Analytikerin hat, die das in zwei Stunden erledigt, sollte das Geld anderswo investieren.

2. Keine validierten Methoden mit definierten Integrationsstrategie. Wenn deine HPLC-Methoden nicht klar definieren, welche Peaks integriert werden sollen und welche Integrationsstrategie gilt, kann kein KI-Modell konsistent arbeiten. Das System würde die Unschärfe deiner Methode amplifizieren, nicht reduzieren. Erst die Methoden ordentlich dokumentieren, dann automatisieren.

3. Kein 21 CFR Part 11 / EU GMP Annex 11 konformes elektronisches Aufzeichnungssystem vorhanden. Wer noch auf Papier-Printouts und Handunterschrift arbeitet, hat eine größere regulatorische Baustelle vor der KI-Peakintegration: das elektronische Aufzeichnungssystem selbst. Dieses zuerst aufbauen und validieren, die KI-Auswertung folgt dann als Aufsatz.

Das kannst du heute noch tun

Öffne dein bestehendes Chromatographie-Datensystem (Empower, OpenLAB oder Chromeleon) und prüfe, welche automatischen Integrationsfunktionen (ApexTrack, SmartPeaks und Cobra, Integration Optimizer) bereits lizenziert oder als Modul verfügbar sind. In vielen Laboren ist das Modul vorhanden, aber nicht aktiviert oder nicht konfiguriert.

Wenn das CDS-Modul nicht reicht oder du erst erkunden willst, ob das Konzept für dein Labor funktioniert: Nimm zehn repräsentative Chromatogramme aus den letzten zwei Wochen (mit unterschiedlichem Qualitätsniveau, auch die schwierigen), und lass einen erfahrenen Chromatographen bewerten, welche Integrationsstrategie für jeden Lauf konsistent anwendbar wäre. Das ist die Basis jedes Trainingssets, und die Arbeit findet so oder so statt, ob manuell oder automatisiert.

Für die Kommunikation mit deiner QA-Leitung und für die Erstellung eines Bewertungsberichts hilft dieser Prompt:

Quellen & Methodik

• R.D. McDowall, LCGC International: „Are You Controlling Peak Integration to Ensure Data Integrity?” (LCGC International, mehrfach zitiert). R.D. McDowall ist Direktor bei R.D. McDowall Limited (UK) und anerkannter Experte für chromatographische Datenintegrität und 21 CFR Part 11-Compliance. Zitat: „Manual integration is slow, especially for sequences with large numbers of injections with complex separations where each requires individual baseline repositioning.”

• Satwekar et al. (2023): Wissenschaftliche Publikation „Universal Deep Learning AI Architecture for Automatic Chromatographic Peak Integration”, erster peer-reviewed Nachweis einer breitbandig einsetzbaren Deep-Learning-Architektur für automatische Peakintegration.

• EU-GMP Annex 22 (Entwurf): Europäische Kommission, Juli 2025, erstmaliger eigenständiger KI-Leitfaden für den Einsatz von KI in regulierten Pharmaumgebungen. Kernforderungen: risikobasierte Bewertung, Drift-Monitoring, dokumentierte Trainings- und Testdaten, Fallback-Prozeduren.

• Dr. Markus Funk, CONCEPT HEIDELBERG GmbH: „KI im Pharma-Labor” (Transkript.de, 2025), Praxisbeitrag zur KI-Integration in Analyselabore. Kernsatz: „KI wird Laborarbeit nicht ersetzen, sondern vereinfachen.”

• FDA Warningletters (historisch): Fresenius Kabi Oncology, Divi’s Laboratories, Able Laboratories, dokumentierte Fälle, in denen manuelle Eingriffe in die chromatographische Peakintegration zu FDA-Beanstandungen geführt haben. Beschrieben in: LCGC International, „Ingenious Ways to Manipulate Peak Integration?” und GMP Insiders, „Data Integrity in Chromatographic Peak Integration.”

• ROI-Berechnung: Rechnung mit ausdrücklichen Annahmen dieser Seite (100 Läufe/Tag, 25 Min. manuell, 5 Min. Prüfung, 30–70 % automatisch durchlaufende Läufe, 60 €/h). Zum Vergleich: Destatis, Arbeitskosten 2024, 43,40 Euro je Stunde im Schnitt aller Branchen, destatis.de/DE/Themen/Arbeit/Arbeitskosten-Lohnnebenkosten/.

• CDS-Funktionen und Preise: laut unseren Toolseiten (geprüft Juli 2026): Empower mit regelbasiertem ApexTrack, OpenLab ohne dokumentierte KI-Auswertung, Chromeleon mit SmartPeaks und Cobra als klassischer Signalverarbeitung; keiner der drei Hersteller veröffentlicht Listenpreise. Die Beträge für Erstlizenz, Validierung, CSV-Beratung und Re-Qualifizierung sind Annahmen dieser Seite, verbindlich ist das Angebot.

Dein Labor fährt täglich HPLC und die Auswertung frisst Analytikerzeit? Meld dich, wir schauen gemeinsam, welche CDS-Konfiguration zu eurem Setup passt und wie der realistische Validierungsweg aussieht.