Medizinglas-Zertifizierung: KI-Assistent für ISO-15223-Dokumentation

Das echte Ausmaß des Problems

Pharmabehälter aus Borosilikatglas — Injektionsflakons, Karpulen, Ampullen, Vials — sind Medizinprodukte der Klasse I bis IIa nach MDR 2017/745. Das klingt nach einer niedrigen Risikoklasse, erzeugt aber erhebliche Dokumentationspflichten. Jedes Technical File nach Anhang II MDR umfasst mindestens:

• Gerätebeschreibung und -spezifikation mit vollständiger Komponentenliste
• Informationen zur Auslegung und Herstellung (einschließlich Ausgangsmaterialien)
• Grundlegende Sicherheits- und Leistungsanforderungen nach Anhang I MDR
• Nutzen-Risiko-Analyse nach EN ISO 14971:2019
• Informationen zu klinischen Nachweisen, präklinischen Daten und Biokompatibilität (ISO 10993)
• Nachweise der chemischen Beständigkeit nach ISO 4802, Hydrolytischen Beständigkeit nach Ph. Eur.
• Konformitätserklärung, CE-Kennzeichnung, Notified-Body-Korrespondenz
• Post-Market-Surveillance-Plan und Berichte nach MDR Art. 83–85

Hinzu kommt ISO 15223, die visuelle Symbole für Medizinproduktebezeichnungen definiert — jedes Symbol auf Produktlabel und in Begleitdokumentation muss korrekt implementiert und belegt sein.

Was das in der Praxis bedeutet: Ein Regulatory-Affairs-Team mit vier bis acht Personen bei einem mittelgroßen Pharmaglas-Hersteller verbringt nach Branchenangaben 30–50 % seiner Arbeitszeit mit Standardisierungs-, Format- und Konformitätsprüfaufgaben: Normreferenzen aktualisieren, Pflichtabschnitte prüfen, Versionsnummern synchronisieren, Querverweise korrigieren. Das sind bei einem Team von fünf Vollzeitkräften — konservativ geschätzt — 75.000–100.000 € jährliche Personalkosten für Aufgaben, die wenig inhaltliche Expertise erfordern, aber erheblichen Aufwand erzeugen.

Der wirtschaftliche Schaden eines verzögerten Audits ist erheblich: Ein gescheitertes Initial-Assessment beim Notified Body kostet 15.000–40.000 € für den Wiederholungsdurchgang, plus Produktverzögerung. Eine Major Non-Conformity im Audit führt in schwerwiegenden Fällen zur vorläufigen Sperrung der CE-Konformitätserklärung — und damit zum Lieferstopp in EU-Märkte.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der KI-Einsatz ersetzt nicht die fachliche Verantwortung der Regulatory-Affairs-Spezialistinnen und -Spezialisten — das Gegenteil ist der Fall. Weil die Formatierungs- und Recherchearbeit entfällt, können sie sich auf die inhaltliche Beurteilung und die regulatorische Strategie konzentrieren. Die Konformitätsentscheidung trifft weiterhin ein Mensch.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Regulatory-Affairs-Teams verbringen nach Praxisangaben 30–50 % ihrer Zeit mit Standardisierungsaufgaben. Ein KI-Assistent, der Regelwerkswissen indexiert und Dokumente auf Vollständigkeit prüft, gibt exakt diese Zeit zurück. In dieser Branch ist das der stärkste Zeitgewinn überhaupt — weil er auf qualifizierte Fachkräfte trifft, die für Tipparbeit überqualifiziert sind.

Kosteneinsparung — niedrig (2/5) Der direkte Kostenhebel ist begrenzt: RA-Personal bleibt nötig, die Notified-Body-Gebühren bleiben gleich, die Zertifizierungsinfrastruktur bleibt bestehen. Der Nutzen ist Geschwindigkeit und Fehlerreduktion, nicht primär Kostensenkung. Im Vergleich zu Ausschuss- oder Energieeinsparungen in anderen Use Cases dieser Kategorie ist das bescheidener.

Schnelle Umsetzung — hoch (4/5) Zwei bis fünf Monate für ein funktionsfähiges System sind im Vergleich zur Branch-Basis kurz — kein Maschinenbau, keine Hardwareintegration, keine SPS-Anbindung. Die Hauptarbeit ist das Indexieren der Regelwerke und das Validieren der Antwortqualität. Das kann ein RA-Team mit externer technischer Unterstützung in wenigen Monaten leisten.

ROI-Sicherheit — hoch (4/5) Die Zeiteinsparung ist direkt messbar: Dokumentationsstunden vor und nach dem Einsatz, Audit-Vorbereitungszeit, Reaktionszeiten auf Prüferanfragen. Fehlerreduktion ist schwerer zu monetarisieren, aber der Zusammenhang zwischen unvollständigen Technical Files und Audit-Nacharbeitskosten ist dokumentierbar. Insgesamt einer der sichereren ROI-Nachweise in dieser Kategorie.

Skalierbarkeit — mittel (3/5) Das System skaliert gut innerhalb eines Regelwerkrahmens (MDR + ISO 15223 + ASTM E438). Für jede neue Zielregion (FDA 21 CFR, PMDA Japan) oder jede neue Normversion braucht es aber Indexierungsarbeit und erneute Validierung. Keine Zero-Cost-Skalierung wie bei reinen Softwareautomatisierungen.

Richtwerte — stark abhängig von Teamgröße, Zertifizierungsvolumen und Regelwerksbreite.

Was der KI-Assistent konkret macht

Ein RAG-basierter (Retrieval-Augmented Generation) KI-Assistent für Regulatory Affairs arbeitet auf einer indexierten Wissensbasis aus den relevanten Regelwerken:

• MDR 2017/745 (Medizinprodukteverordnung) und deren Anhänge
• ISO 15223-1 (Symbole für Medizinprodukte)
• EN ISO 14971:2019 (Risikomanagement)
• ISO 10993 (Biokompatibilität)
• ISO 4802-1 / 4802-2 (Chemische Beständigkeit von Glasoberflächen)
• ASTM E438 (Standard für Borosilikatglas)
• Arzneibuch-Anforderungen (Ph. Eur. 3.2.1 für Glasbehälter)

Auf dieser Basis kann das System:

1. Konformitätsfragen beantworten “Welche Anforderungen stellt Anhang I MDR 2017/745, Abschnitt 11.1 an die Informationen zur Auslegung für primäre Pharmabehälter?” — Das System liefert eine strukturierte Antwort mit Quellenangabe und Versionshinweis, die der RA-Spezialist als Ausgangspunkt für die Dokumentation nutzt.

2. Technical Files auf fehlende Pflichtabschnitte prüfen Du lädst einen Entwurf des Technical File hoch. Das System prüft gegen eine Checkliste nach Anhang II MDR und listet fehlende oder unvollständige Abschnitte mit konkreten Normreferenzen auf. Was früher 2–3 Stunden manuelles Durchgehen war, dauert Minuten.

3. Audit-Report-Entwürfe generieren Aus strukturierten Eingaben (Produktbeschreibung, Prüfergebnisse, Normabweichungen, Korrekturmaßnahmen) generiert das System einen Entwurf für CAPA-Berichte oder PMS-Reports nach MDR Art. 85 — inklusive Gliederung und Querverweisen. Die inhaltliche Bewertung bleibt beim Menschen.

4. Normaktualisierungen einarbeiten Wenn ISO 15223-1 in einer neuen Version erscheint, prüft das System bestehende Dokumente auf veraltete Symboldefinitionen oder Terminologie und markiert Überarbeitungsbedarf.

Was der KI-Assistent nicht kann

Das System halluziniert — das ist bei jedem LLM-basierten System möglich. Normreferenzen können plausibel klingen aber falsch sein. Deshalb gilt: Jede KI-Ausgabe, die in offizielle Regulierungsdokumente einfließt, muss von einer qualifizierten Regulatory-Affairs-Person geprüft und freigegeben werden. Die KI liefert den Entwurf. Die Verantwortung liegt beim Menschen — rechtlich und regulatorisch.

Der Assistent ist kein Ersatz für regulatorische Expertise und kann keine Konformitätsentscheidungen treffen. Fehlerhafte Angaben in einem Technical File, die auf unkritisch übernommene KI-Ausgaben zurückgehen, liegen in der Haftung des Inverkehrbringers.

Konkrete Werkzeuge — was wann passt

Claude (Anthropic) — Besonders geeignet für Konformitätsprüfungen und Dokumentenanalysen, weil das Kontextfenster (bis 200.000 Tokens) ein komplettes Technical File in einer einzigen Session auswertbar macht. Du kannst Anhang II MDR, ein bestehendes Technical File und eine neue Prüfanforderung gleichzeitig laden und direkt fragen: “Welche Abschnitte in diesem Technical File sind mit der neuen ISO-Anforderung inkonsistent?” Für regulatorische Dokumentationsarbeit ist diese Fähigkeit zur Parallelbewertung großer Dokumentenmengen entscheidend. API oder Claude.ai Pro-Abo. US-Hosting — für interne Dokumente ohne personenbezogene Daten regelmäßig akzeptabel, bei unkritischer technischer Dokumentation datenschutzrechtlich mit AVV absicherbar.

ChatGPT (OpenAI GPT-4o) — Guter Einstieg für Teams, die RAG noch nicht eingerichtet haben. Über den Custom GPT Builder lassen sich Assistenten konfigurieren, die Regelwerkdokumente als Knowledge-Basis nutzen. Gut für Standardfragen zu MDR-Struktur und ISO-Anforderungen. Für komplexe Dokumentenprüfungen ist das Kontextfenster begrenzt — für diese Aufgaben besser Claude. Datenschutz: ChatGPT Enterprise mit Data Privacy aktivieren oder API ohne Training-Opt-in nutzen.

NotebookLM (Google) — Einstiegstool für Teams ohne technisches Setup-Budget. Du lädst die relevanten Regelwerke (MDR-Anhänge, relevante ISO-Normen als PDF) hoch und kannst direkt Fragen stellen. Keine API-Konfiguration, keine Prompt-Ingenieursarbeit. Für gelegentliche Konformitätsfragen und schnelle Normrecherchen gut geeignet. Einschränkung: kein API-Zugang, keine Integration in bestehende Dokumentenmanagementsysteme, keine automatisierten Prüfroutinen. Google Cloud-Hosting (US).

Azure OpenAI Service mit LlamaIndex oder LangChain — Für Unternehmen mit strengen Datenschutz- und Hosting-Anforderungen. Azure bietet EU-Rechenzentren und DSGVO-konforme AVV. Mit LlamaIndex oder LangChain baust du eine eigene RAG-Pipeline auf eurem eigenen Server oder in eurer Azure-Instanz: Regelwerke indexieren, semantische Suche einrichten, Dokumente automatisch prüfen. Das ist die technisch aufwendigste, aber auch skalierbarste Option — besonders wenn ihr Technical Files aus einem DMS (Dokumentenmanagementsystem) automatisch einspeisen wollt. Erfordert Developer-Kompetenz für Setup und Betrieb.

Veeva Vault — Keine KI-Eigenentwicklung, sondern branchenspezifisches DMS für Pharma und Life Sciences, das mittlerweile KI-Funktionen für Dokumentenklassifikation und Compliance-Checks integriert. Wenn ihr Veeva Vault bereits nutzt, ist das der direkteste Weg zu KI-gestützter Regulatory-Dokumentation — ohne eigene Modellinfrastruktur. Kostenintensiv (Enterprise-Pricing), aber bewährt in regulierten Umgebungen mit Audit-Trail-Anforderungen.

Zusammenfassung: Wann welcher Ansatz

• Schneller Einstieg, kein technisches Setup → NotebookLM oder Claude.ai Pro
• Flexible RAG-Konfiguration, Datenschutz-EU → Azure OpenAI Service + LlamaIndex
• Große Dokumentenkontexte, Konformitätsprüfung → Claude (API)
• Bereits Veeva Vault im Einsatz → Veeva Vault AI-Module

Datenschutz und Datenhaltung

Technical Files und Regulatory-Dokumentation enthalten keine personenbezogenen Daten im engeren Sinne, aber sensible regulatorische und betriebliche Informationen: unveröffentlichte Produktspezifikationen, Prüfergebnisse, Lieferanteninformationen und strategische Positionierungen gegenüber Notified Bodies.

Für den KI-Einsatz bedeutet das:

• AVV abschließen: Jede Cloud-Verarbeitung proprietärer Unternehmensdaten erfordert einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO. Bei OpenAI (ChatGPT/API), Anthropic (Claude) und Google (NotebookLM) sind AVVs verfügbar — aktiv anfordern.
• Kein Modelltraining auf eure Daten: Standard-API-Nutzung bei OpenAI und Anthropic schließt Training auf Nutzerdaten aus. Für ChatGPT.com: Enterprise oder Datenschutz-Einstellung aktivieren. Prüft die aktuell gültige Datenschutzerklärung des jeweiligen Anbieters.
• EU-Hosting wo möglich: Azure OpenAI Service mit EU-Region bietet die stärkste Datentrennung. Für Technical Files, die nicht-öffentliche Prüfberichte oder Lieferanteninformationen enthalten, ist EU-Hosting empfehlenswert.
• Regulatorischer Hinweis: Ein KI-Assistent, der in der Erstellung regulatorischer Dokumente eingesetzt wird, ist selbst kein Medizinprodukt und unterliegt nicht der MDR — solange er keine diagnostischen oder therapeutischen Funktionen übernimmt. Die Dokumentationspflicht für den Einsatz von KI-Werkzeugen in euren internen Prozessen ergibt sich aus eurem QMS (Qualitätsmanagementsystem), nicht aus der MDR selbst. Klärt mit eurer Rechtsabteilung oder einem auf Medizinprodukterecht spezialisierten Berater, ob und wie euer QMS dokumentieren muss, dass bestimmte Dokumente KI-gestützt erstellt wurden.

Was es kostet — realistisch gerechnet

Einstieg (minimal)

• Claude Pro oder ChatGPT Team: 20–30 €/Person/Monat
• NotebookLM: kostenlos im Standardumfang
• Interne Aufwände für Regelwerk-Indexierung und Prompt-Kalibrierung: 5–15 Arbeitstage für einen RA-Spezialisten mit technischer Unterstützung
• Validierung der Antwortqualität (stichprobenartige Prüfung): laufend, ca. 2–4 Stunden/Monat

Ausbaustufe (eigene RAG-Pipeline)

• Azure OpenAI Service: 200–800 €/Monat bei mittlerem Anfragevolumen
• LlamaIndex/LangChain-Setup (externe Dienstleistung): 15.000–35.000 € einmalig
• Laufende Pflege (Normaktualisierungen, Neuindexierung): 1–2 Arbeitstage/Quartal

Was du gegenzurechnen kannst Ein RA-Team von fünf Personen, das 35 % seiner Zeit mit Formatierungs- und Standardisierungsaufgaben verbringt, entspricht 1,75 Vollzeitkräften für nicht-wertschöpfende Arbeit. Bei einem Brutto-Vollkostensatz von 70.000 €/Jahr sind das 122.500 € jährlich für reine Dokumentenverwaltung.

Realistischer Effizienzgewinn von 40 % auf diese Tätigkeiten (konservative Schätzung aus RA-Praxisberichten): 1,75 × 40 % × 70.000 € = 49.000 € jährliche Einsparung — bei Einstiegskosten von 1.500–3.000 €/Jahr für die Software.

Hinzu kommt der indirekte Nutzen: Ein Technical File, das vollständig und korrekt beim Notified Body eingereicht wird, vermeidet Major Non-Conformities. Ein einziger vermiedener Audit-Wiederholungsdurchgang (15.000–40.000 €) übersteigt den gesamten Jahresbetrieb der Einstiegslösung.

Drei typische Einstiegsfehler

1. Das Regelwerk nicht aktuell halten. Der häufigste Fehler: Das System wird einmal mit ISO-15223-Version 2021 indexiert — und zwei Jahre später gilt eine neue Fassung, aber das Regelwerkwissen im KI-Assistenten ist veraltet. Das ist besonders gefährlich, weil das System weiterhin plausible Antworten liefert, die inhaltlich falsch sind. Lösung: Einen festen Revisionsprozess einrichten — wer ist verantwortlich dafür, neue Normversionen in das System einzuspielen? Und wann?

2. KI-Ausgaben ohne Quellenprüfung in offizielle Dokumente übernehmen. Ein KI-Assistent, der auf Basis von Anhang II MDR einen Gliederungsentwurf für ein Technical File liefert, kann Abschnittsnummern oder Normreferenzen leicht falsch zuordnen — und das klingt trotzdem präzise und überzeugend. Wer diesen Entwurf ohne Querprüfung am Originaltext übernimmt, riskiert ein Technical File mit falschen regulatorischen Verweisen. Lösung: Jede Normreferenz in KI-generierten Passagen wird gegen das Originaldokument geprüft. Das ist kein Misstrauen — das ist das korrekte Review-Verfahren.

3. Den Assistenten für strategische Regulierungsentscheidungen nutzen. “Ist unser Produkt Klasse I oder Klasse IIa?” ist keine Frage für einen KI-Assistenten. Klassifizierungsentscheidungen nach MDR haben rechtliche Konsequenzen und erfordern qualifiziertes regulatorisches Urteil. Ein KI-System kann die Klassifizierungsregeln nach Anhang VIII MDR erklären — die Entscheidung selbst muss ein Mensch mit regulatorischer Verantwortung treffen.

Was mit der Einführung wirklich passiert — und was nicht

Das Projekt scheitert selten an der Technik. Es scheitert an der Frage: “Können wir einem KI-generierten Entwurf trauen?”

Die korrekte Antwort ist: Nicht ohne Review — aber mit Review ist ein KI-Entwurf genauso vertrauenswürdig wie ein Entwurf eines Junior-Mitarbeiters. Und ehrlich gesagt: Die meisten Technical-File-Entwürfe in kleinen RA-Teams kommen von Junior-Mitarbeitern mit frischem Normenabschluss, die genauso reviewt werden. Die KI-Ausgabe ist das neue Junior-Dokument — nur schneller.

Was häufig passiert:

Die Qualitätsdiskussion verzögert den Start. Das QMS-Team fragt: “Müssen wir diesen KI-Einsatz in unserem Qualitätsmanagementsystem dokumentieren?” Antwort: Fast sicher ja — und das ist kein Blocker, das ist eine Aufgabe. Ein einfacher Prozessschritt “KI-unterstützter Erstentwurf, Review durch [Name], Freigabe durch [Funktion]” im SOP löst das Problem. Klärt das vor dem Pilot-Start, nicht danach.

Das Team nutzt das System selektiv. Erfahrene RA-Spezialisten nutzen den Assistenten intensiv, weil sie schnell erkennen, wann die Ausgabe gut ist und wann sie verfeinert werden muss. Einsteiger übernehmen zu viel ungeprüft. Lösung: In den ersten Wochen gemeinsam Review-Sessions machen — explizit zeigen, welche KI-Ausgaben gut sind und welche nicht.

Normaktualisierungen werden vergessen. Drei Monate nach dem Launch gibt es eine neue ISO-Fassung. Niemand hat sie ins System eingespielt. Lösung: Kalendereinträge für quartalsweise Normprüfung — wer ist zuständig?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir arbeiten in einem regulierten Umfeld — KI ist da ein Risiko.” Der Einwand ist verständlich, aber er verwechselt das Werkzeug mit der Entscheidung. Ein KI-Assistent, der einen Technical-File-Gliederungsentwurf liefert, ist regulatorisch gesehen ein Schreibwerkzeug — nicht anders als Word. Die Verantwortung für den Inhalt liegt weiterhin bei der freigebenden Person. Was das Risiko senkt: ein klarer Review-Prozess, dokumentiert im QMS.

“Unsere Normlandschaft ist zu spezifisch und zu komplex für ein generisches Modell.” Das ist nur für das Basismodell wahr. Wenn ihr die MDR-Anhänge, die relevanten ISO-Normen und eure internen SOPs als Wissensbasis in das System ladet, arbeitet der Assistent auf eurer Dokumentenbasis — nicht auf generischem Internet-Wissen. Die Spezifik liegt in der Indexierung, nicht im Basismodell.

“Wir haben nicht die IT-Ressourcen, um das selbst aufzusetzen.” Für den Einstieg braucht ihr keine IT. NotebookLM oder Claude.ai Pro können ohne IT-Ticket, ohne Serverzugang und ohne Programmierkenntnis morgen genutzt werden. Die eigene RAG-Pipeline ist der Schritt für später — wenn der Business-Case bewiesen ist.

Woran du merkst, dass das zu dir passt

• Dein RA-Team hat drei oder mehr Personen und verbringt messbar Zeit mit Formatierungs- und Checklisten-Aufgaben statt mit inhaltlicher Regulierungsarbeit
• Ihr zertifiziert mehr als drei Produkte jährlich oder aktualisiert Technical Files regelmäßig aufgrund von Produktänderungen oder neuen Normversionen
• Ihr habt schon Audit-Non-Conformities wegen fehlender oder veralteter Pflichtabschnitte — nicht wegen inhaltlicher Fehler, sondern wegen Dokumentenstruktur
• Die Audit-Vorbereitungszeit bindet euer Team für zwei oder mehr Wochen vollständig

Wann es (noch) nicht passt — drei harte Ausschlusskriterien:

1. Weniger als zwei Produkte in der Zertifizierungspipeline pro Jahr. Bei sehr niedrigem Zertifizierungsvolumen übersteigt der Setup-Aufwand (Indexierung, Validierung, SOP-Anpassung) den Nutzen bei weitem. Eine gut gepflegte Checkliste in Word oder Notion leistet bei einem oder zwei Produkten pro Jahr dasselbe.

2. Kein funktionierendes QMS, das KI-Einsatz in Dokumentationsprozessen abbilden kann. Wenn euer QMS keinen Prozessschritt für “KI-unterstützte Entwurfserstellung” vorsieht und niemand die Kapazität hat, das kurzfristig einzuführen, schafft ihr regulatorische Unklarheit über die Dokumentenverantwortung. Klärt das zuerst — sonst ist der KI-Assistent ein Compliance-Problem, kein Effizienzgewinn.

3. Euer Notified Body hat explizite Einschränkungen für KI-generierte Inhalte in Technical Files kommuniziert. Manche Prüfstellen haben in den letzten zwei Jahren Leitlinien veröffentlicht, die den Umgang mit KI-unterstützten Dokumenten regeln. Prüft das mit eurem Notified Body, bevor ihr KI-Entwürfe in offizielle Einreichungen übernehmt.

Das kannst du heute noch tun

Nimm den Anhang II der MDR 2017/745 — er ist kostenlos als PDF auf EUR-Lex verfügbar. Lade ihn in NotebookLM hoch. Stelle dann diese Frage: “Welche Abschnitte muss ein Technical File nach Anhang II für ein primäres Pharmabehälter-Medizinprodukt der Klasse I enthalten?”

Vergleiche die Antwort mit deiner aktuellen Technical-File-Vorlage. Du siehst in 20 Minuten, ob der Assistent für deine Fragestellungen nützlich ist — und wo er Normreferenzen korrekt oder falsch zuordnet.

Das ist der ehrlichste Pilot, den es gibt.

Quellen & Methodik

• MDR 2017/745: EU-Medizinprodukteverordnung, Anhang II (Technical File), Anhang I (GSLA), Anhang VIII (Klassifizierung); EUR-Lex (gültige Fassung 2024).
• ISO 15223-1:2021: Medizinprodukte — Symbole zur Verwendung mit Angaben, die vom Hersteller zu liefern sind; ISO (2021).
• EN ISO 14971:2019: Medizinprodukte — Anwendung des Risikomanagements auf Medizinprodukte; ISO (2019).
• Zeitaufwand Regulatory Affairs (30–50 % für Standardisierungsaufgaben): TOPRA (The Organisation for Professionals in Regulatory Affairs), Mitgliederumfrage zu Arbeitsverteilung in RA-Teams; Regulatory Rapporteur, Vol. 20, Nr. 3 (2023). Schätzwert aus Praxisberichten — eigene Erfassung im Team empfohlen.
• Audit-Nacharbeitskosten (15.000–40.000 €): Praxisangaben aus MDR-Beratungskontext; MedTech Europe, “MDR Implementation Costs Survey” (2022). Konservative Schätzung — stark abhängig von Produkt- und Unternehmenstyp.
• RAG-Systemaufbau mit LlamaIndex/LangChain: LlamaIndex Documentation (2024); LangChain Documentation (2024).
• ASTM E438: Standard Specification for Glasses in Laboratory Apparatus; ASTM International (aktuelle Fassung).
• Ph. Eur. 3.2.1: Europäisches Arzneibuch — Glasbehälter für pharmazeutische Zubereitungen; EDQM (aktuelle Ausgabe).