Probabilistyczne podejmowanie decyzji w farmacji — Monte Carlo, Bayesian i Arrhenius w QA, transporcie i negocjacjach

1. Streszczenie

Decyzje operacyjne w farmacji — zwolnienie serii po odchyleniu temperatury, ocena pokrycia przetargu, sformułowanie kontroferty w odpowiedzi na roszczenie cenowe dostawcy — rutynowo formułuje się tak, jakby miały pojedyncze prawidłowe odpowiedzi. Nie mają ich. Leżąca u podstaw rzeczywistość jest zawsze probabilistyczna: rozkład utraty okresu trwałości przy danym profilu czas-temperatura, rozkład prawdopodobieństwa wygranej przy danej historii trasy, rozkład akceptacji dostawcy przy danym BATNA.

Niniejszy dokument argumentuje za zastąpieniem deterministycznego paradygmatu wsparcia decyzji paradygmatem probabilistycznym, który ujawnia rozkłady i przedziały ufności jako pełnoprawne wyniki. Omawiamy trzy fundamenty matematyczne — symulację Monte Carlo, wnioskowanie Bayesian oraz kinetykę Arrhenius — i ilustrujemy każdy z nich praktycznym przykładem operacyjnym z farmacji.

2. Problem — estymaty punktowe w świecie probabilistycznym

Rozważmy typowy scenariusz. Transport łańcucha chłodniczego z aktywnym składnikiem farmaceutycznym (API) doświadcza 6-godzinnego odchylenia powyżej 8°C, ze szczytem na poziomie 14°C. Zespół QA musi zdecydować: zwolnić serię czy ją odrzucić. Klasyczne narzędzia wsparcia decyzji — zwykle Excel z odczytem danych stabilnościowych albo sztywno-regułowy proces w QMS — zwracają pojedynczą odpowiedź: „zwolnić” lub „odrzucić”, opcjonalnie z pojedynczą szacowaną liczbą utraty okresu trwałości (np. „11 dni”).

To ujęcie jest wygodne operacyjnie, ale błędne epistemologicznie. Faktyczna utrata okresu trwałości nie jest pojedynczą liczbą, lecz rozkładem kształtowanym przez:

• Niepewność energii aktywacji (E_a) — zwykle znana z dokładnością do ±15-20% z badań stabilności, lecz rzadko komunikowana jako rozkład.
• Błąd kalibracji czujnika — nowoczesne rejestratory danych są dokładne do ±0,5°C w temperaturze pokojowej, lecz dryfują w trakcie eksploatacji.
• Niejednorodność przestrzenna — czujnik to jeden punkt na palecie; faktyczny produkt doświadczył zakresu temperatur.
• Parametry Arrhenius specyficzne dla API — czasem ekstrapolowane z chemicznie podobnych związków, zamiast mierzone bezpośrednio.

Gdy zespół QA zostaje zapytany pół roku później — przez audytora lub przez dostawcę zwróconej serii — „dlaczego ją zwolniliście?”, udokumentowane uzasadnienie musi odnosić się do wszystkich tych czynników. Powiedzenie „model w Excelu wskazał utratę okresu trwałości na 11 dni, poniżej progu 30 dni” nie jest odpowiedzią dającą się obronić. Powiedzenie „skalibrowany rozkład umieścił utratę okresu trwałości na poziomie 11 dni ± 4 dni (95% CI), z 3% prawdopodobieństwem przekroczenia 30 dni, co nasza polityka ryzyka klasyfikuje jako akceptowalne dla tej klasy serii” — już tak.

Ten sam wzorzec powtarza się w decyzjach operacyjnych w farmacji. Koszt stosowania estymat punktowych nie zawsze jest widoczny: przetarg przyznany przewoźnikowi z dyskretnie podwyższonym ryzykiem ogona; kontroferta, którą dostawca odrzuca, ponieważ BATNA była nierealistyczna; graniczna seria zwolniona, ponieważ narzędzie decyzyjne zgłosiło „OK” bez pokazania rozkładu.

3. Trzy fundamenty matematyczne

Probabilistyczny silnik decyzyjny dla operacji farmaceutycznych opiera się na trzech fundamentach, z których każdy jest właściwy dla innej klasy pytań.

Symulacja Monte Carlo

Stosowana, gdy pytanie brzmi „jaki jest rozkład wyników przy wielu niepewnych danych wejściowych”. Wielokrotnie próbkuj rozkłady wejściowe, za każdym razem oblicz wynik, akumuluj empiryczny rozkład wyjściowy. Tania obliczeniowo na nowoczesnym sprzęcie; odpowiednia do oceny pokrycia przetargu, prognozowania ryzyka tras, testów obciążeniowych przepustowości.

Wnioskowanie Bayesian

Stosowane, gdy istnieje wstępna estymata, która powinna być aktualizowana w miarę napływania nowych dowodów. Klasycznym zastosowaniem w farmacji jest elastyczność cenowa dostawcy: prior opiera się na benchmarkach kategorii (Fastmarkets, ICIS, LME), wiarygodność (likelihood) pochodzi z rzeczywistych reakcji dostawcy na poprzednie oferty, a posterior to rozkład elastyczności, którego powinniśmy użyć do zaplanowania następnej rundy.

Kinetyka Arrhenius

Empiryczne prawo szybkości degradacji chemicznej jako funkcji temperatury, używane do przeliczania profili czas-temperatura na estymaty utraty okresu trwałości. Równanie Arrhenius ma postać deterministyczną, lecz zastosowanie probabilistyczne — parametry (A, E_a) same są estymatami z przedziałami ufności pochodzącymi z badań stabilności.

4. Przykład 1: Kinetyka Arrhenius w modelowaniu okresu trwałości w QA

Równanie Arrhenius opisuje stałą szybkości k reakcji chemicznej (w tym przypadku degradacji API) jako funkcję temperatury:

Dla zdarzenia odchylenia temperatury pytanie operacyjne brzmi: przy danym faktycznym profilu czas-temperatura z logu czujnika, jaka jest efektywna utrata okresu trwałości w porównaniu z hipotetycznym przechowywaniem izotermicznym w warunkach z etykiety?

Silnik probabilistyczny oblicza:

1. Skumulowaną ekspozycję — całkuj k(T) po faktycznym profilu, aby uzyskać równoważny czas ekspozycji izotermicznej w temperaturze referencyjnej.
2. Rozkład utraty okresu trwałości — przelicz ekspozycję na dni zużytego okresu trwałości, propagując przez obliczenia niepewność w E_a, A oraz kalibracji czujnika. Monte Carlo z 10 000 próbek zwykle osiąga zbieżność w ciągu sekund.
3. Prawdopodobieństwo progu — przy danym progu odrzucenia klienta (np. 30 dni) oblicz prawdopodobieństwo, że utrata okresu trwałości go przekroczy.

Wynikiem nie jest „okres trwałości skrócony o 11 dni”, lecz „utrata okresu trwałości wynosi 11 ± 4 dni (95% CI), z 2,7% prawdopodobieństwem przekroczenia 30-dniowego progu odrzucenia”. Warstwa polityki decyzyjnej mapuje to następnie na rekomendację — zwolnić, wstrzymać do przeglądu QP lub odrzucić — w zależności od klasy serii i tolerancji ryzyka klienta.

Korzyść jest najbardziej widoczna pół roku później, gdy audytor pyta „dlaczego ta seria została zwolniona pomimo odchylenia”. Odtwarzalny pakiet decyzyjny zawiera profil wejściowy, skalibrowane parametry Arrhenius, uzyskany rozkład, sprawdzenie progu oraz wersję polityki. Decyzja jest odtwarzalna bit po bicie.

5. Przykład 2: Wnioskowanie Bayesian w elastyczności cenowej dostawcy

Negocjacje z dostawcą to klasyczne środowisko dla wnioskowania Bayesian: mamy wstępną estymatę elastyczności cenowej dostawcy (z benchmarków kategorii), obserwujemy jego reakcję na daną ofertę, aktualizujemy.

Aktualizacja Bayesian dla elastyczności (nazwijmy ją e) wygląda następująco:

Po 3-5 rundach z dostawcą posterior zwykle zbiega do wąskiego rozkładu, który pozwala nam sformułować następną kontrofertę ze skalibrowanym oczekiwanym prawdopodobieństwem akceptacji. Decision Hub rekomenduje wówczas cztery żetony cenowe — Żądana, Docelowa, Pułap, Odejście — wraz z odpowiadającymi im prawdopodobieństwami akceptacji.

Negocjator decyduje, który wysłać. Decision Hub nie twierdzi, że jakakolwiek pojedyncza liczba jest „najlepsza” — pokazuje krzywą kompromisu między oczekiwanymi oszczędnościami a ryzykiem odejścia dostawcy i pozwala negocjatorowi zastosować osąd z pełnym kontekstem.

6. Przykład 3: Monte Carlo do oceny pokrycia przetargu

Pytanie: przy danym planie produkcyjnym na następny kwartał i aktywnych trasach przetargowych, jakie jest prawdopodobieństwo, że pokryjemy 95% popytu transportowego bez ekspozycji na fracht spot?

Monte Carlo radzi sobie z tym w naturalny sposób. Próbkuj z:

• Stochastyczności planu produkcyjnego — prawdopodobieństwo poślizgu na SKU na tydzień, skalibrowane historycznie.
• Akceptacji przewoźnika na trasę — historyczny wskaźnik akceptacji przyznanych przetargów dla każdego aktywnego przewoźnika przetargowego.
• Zmienności popytu na klasę temperaturową — łańcuch chłodniczy i temperatura otoczenia mają różne profile zmienności.
• Rozkładu inflacji stawek spot — według przewoźnika i miesiąca, na podstawie historycznych spreadów między stawkami spot a kontraktowymi.

Uruchom 10 000 symulacji. Wynikiem jest rozkład łącznego rezultatu „wskaźnik pokrycia × całkowity koszt ekspozycji spot”. Silnik identyfikuje następnie trasy najbardziej przyczyniające się do ryzyka ogona (najgorsze 5% wyników) i rekomenduje mini-przetarg dla tych tras zanim faktury zostaną rozliczone.

Operacyjnie zamienia to „myślę, że jesteśmy w większości pokryci” planisty na „z 87% prawdopodobieństwem pokryjemy 95%+ popytu, z ryzykiem ogona skoncentrowanym na trzech trasach; uruchomienie mini-przetargu dla tych tras podnosi łączne prawdopodobieństwo do 96%”.

7. Audytowalność — wersje modelu w każdej decyzji

To właśnie audytowalność oddziela probabilistyczne podejmowanie decyzji od probabilistycznej ciekawostki. Każdy pakiet decyzyjny generowany przez poprawnie zaprojektowany silnik probabilistyczny musi zawierać:

• Wersję silnika (semver) — aby można było odtworzyć dokładną implementację matematyczną.
• Wersję zestawu parametrów (per-tenant) — Twoje konkretne parametry Arrhenius, Twoją konkretną historię przewoźników, Twoje konkretne priory elastyczności dostawców.
• Wersję zestawu reguł (Twoje SOP) — twarde bramki, które uruchomiły się przed warstwą probabilistyczną.
• Wersję warstwy polityki — Twoją konkretną konfigurację tolerancji ryzyka.
• Hash pochodzenia danych wejściowych — jakie surowe dane zasiliły tę decyzję.
• Hash SHA-256 pełnego wyniku PDF + JSON — dla zabezpieczenia przed manipulacją.

Gdy audytor pyta „dlaczego model rekomendował X dwa lata temu?” — zespół odtwarza dokładną wersję silnika z dokładnie tymi samymi danymi wejściowymi i uzyskuje dokładnie ten sam wynik. Odtwarzalność bit po bicie jest wymogiem operacyjnym, a nie udogodnieniem.

8. Czym probabilistyczne podejmowanie decyzji NIE jest

• Nie jest dużym modelem językowym. Modele LLM mogą odgrywać rolę w parsowaniu swobodnych notatek o odchyleniach na pola strukturalne, lecz nie wchodzą do pętli rekomendacji decyzyjnej. Rozkłady prawdopodobieństwa pochodzą z jawnych modeli matematycznych, a nie z próbkowania tokenów w generacji tekstu.
• Nie jest czarną skrzynką. Każdy rozkład można zbadać, każda reguła to czytelny dla człowieka kod, każda rekomendacja prowadzi z powrotem do swoich danych wejściowych. Jeśli silnik rekomenduje X, a operator się nie zgadza, rozumowanie silnika można w pełni przejrzeć.
• Nie jest zastępstwem osądu QA / QP / zakupów. Probabilistyczne podejmowanie decyzji rekomenduje; ludzie zatwierdzają. Zatwierdzenie jest częścią pakietu decyzyjnego.
• Nie jest magią. Jakość wyniku jest ograniczona jakością danych wejściowych. Rola silnika obejmuje sygnalizowanie, gdy dane wejściowe są niewystarczające do pewnego wnioskowania — i odmowę rekomendacji zamiast konfabulacji.

9. Wnioski

1. Decyzje operacyjne w farmacji są z natury probabilistyczne; narzędzia deterministyczne narzucają im stratne ujęcie.
2. Trzy fundamenty pokrywają większość operacyjnych klas decyzji: Monte Carlo (prognozowanie), Bayesian (sekwencyjna aktualizacja), Arrhenius (kinetyka chemiczna).
3. Właściwa architektura warstwuje twarde reguły (SOP / GxP) → modele probabilistyczne → politykę decyzyjną (tolerancja ryzyka), z jawnymi stemplami wersji na każdej warstwie.
4. Audytowalność wymaga odtwarzalności bit po bicie, a nie tylko logowania — wersja silnika, wersja parametrów, wersja reguł, wersja polityki, hash wejścia i hash wyjścia w każdym pakiecie decyzyjnym.
5. Probabilistyczne NIE oznacza nieprzejrzyste. Każdy rozkład można zbadać, każdą rekomendację można przejrzeć, żaden LLM nie znajduje się w pętli decyzyjnej.