Von Daten zu Entscheidungen: Graphische Darstellung der Geräteauslastung und -zuverlässigkeit in modernen Labors
Verfasst von Willem-Jan Spaans
Zusammenfassung
Analyselabors in den Bereichen Pharma, Life Sciences, Lebensmittel- Agro- und Umweltanalytik verwalten neben anderen Instrumenten einen stetig wachsenden Bestand an Chromatographie Systemen. Entscheidungen zu Planung, Zuverlässigkeit und Kapazität hängen zunehmend von integrierten Daten aus Chromatographie-Datensystemen (CDS) in Verbindung mit Labor-Informations- und Managementsystemen (LIMS), elektronischen Laborjournalen (ELN) und/oder computergestützten Instandhaltungs-Management-Systeme (CMMS) ab. Dieser Artikel stellt praxisnahe Visualisierungs-Beispiele vor, die unterschiedliche Protokolle in zeitnahe und entscheidungsrelevante Informationen für Benutzer, Management, Service-Techniker und Labor‑IT überführen. Die Beispiele umfassen Analysen von Systemausfallzeiten, Trends zur Beurteilung der Systemzuverlässigkeit, sowie die Darstellung der Kapazität im Vergleich zum auftragsrückstand und Durchsatz. Jedes Beispiel wurde mit gängigen Analysewerkzeugen erstellt und lässt sich mit dem Software-Stack Ihrer Wahl verwenden (Power BI, Tableau, Shiny, Dash, Spotfire).
Einleitung
Moderne Analyselabore erzeugen täglich grosse Datenmengen. Chromatographie-Datensysteme (CDS) erfassen Sequenzen, Audit Trails und Geräte-Ereignisse. Labor-Informations- und Managementsysteme (LIMS) und elektronische Laborjournale (ELN) ergänzen diese Daten um Proben- und Workflow-Informationen, während Computergestützten Wartungs-Systeme (CMMS) die Service‑ und Reparaturhistorien dokumentieren. Obwohl jedes System seinen eigenen Zweck erfüllt, bleiben die Informationen voneinander isoliert, was dem Laborpersonal und dem Management eine ganzheitliche Betrachtung der Leistungsfähigkeit, Zuverlässigkeit und Auslastung der Geräte erschwert.
Analyselaboratorien betreiben heutzutage Dutzende bis weit über hundert Instrumente in den Bereichen Forschung & Entwicklung (F&E) sowie Qualitätskontrolle (QC). Chromatographie Systeme bilden nach wie vor das Rückgrat für die Analyse von Wirkstoffen, Arzneimitteln, Rohstoffen und Prozesskontrollen. Branchenanalysen zeigen, dass die Pharmaindustrie weiterhin das Wachstum des Instrumenten-Markts antreibt, gleichzeitig jedoch steigende Erwartungen an Automatisierung und Softwareintegration hegt [1]. Labore verlagern sich deshalb von isolierten, manuellen Reports hin zu konsolidierten Dashboards, die mehrere Systeme miteinander verbinden. Frühere Artikel zeigten, wie sich Nutzungsinformationen aus herstellerspezifischen Datenquellen extrahieren und vereinheitlichen lassen [2, 3].
Wenn Daten aus CDS, LIMS, ELN und anderen Plattformen zusammengeführt werden, ist es möglich, über einzelne Ereignisse oder Gerätedaten hinauszuschauen und einen umfassenderen Überblick über die Arbeitsweise des Labors und seiner Geräte zu gewinnen. Integrierte Daten ermöglichen es den Teams, die Zuverlässigkeit der Geräte zu vergleichen, die Kapazitäten im Hinblick auf den Probenrückstand zu planen und die Untersuchungszeit bei Fehlern und Abweichungen zu verkürzen. Unabhängige Branchenanalysen haben gezeigt, dass digitale QC- und Online-Testansätze den Untersuchungsaufwand erheblich reduzieren und dabei helfen können, wiederkehrende Abweichungen zu beheben [4]. Dieser Artikel vertieft diesen Gedanken anhand praktischer Visualisierungsmuster und Beispielabbildungen.
Dieser Artikel stellt eine begrenzte Auswahl an Visualisierungen vor, die aus den Datentypen erstellt werden können, die typischerweise in CDS-, LIMS-, ELN- und Wartungssystemen verfügbar sind. Alle Abbildungen wurden unter Verwendung simulierter Datensätze erstellt, die das reale Laborverhalten nachahmen. Die Diagramme selbst wurden in R mit dem Paket {ggplot2} erstellt, mit {plotly} interaktiv gestaltet und in einem {shiny}-Dashboard dargestellt. Die Beispiele sind nicht an eine bestimmte Systemarchitektur gebunden und sollen aufzeigen, was durch die Kombination dieser Datenquellen erreicht werden kann.
Datengrundlagen
Die folgenden Visualisierungen basieren auf einem minimalen, herstellerunabhängigen Schema:
- Sequenzen und Akquisitionen aus einem CDS (Start-/Stoppzeitpunkte, Methode, Injektionen, Status)
- Instrument-Audit Trail bzw. Aktivitätslog (Ereignistyp, Schweregrad, Zeitstempel, Mitteilung)
- Instrumenten-Metadaten (Hersteller, Modell, Labor, Installationsdatum, Wartungsdatum, Status)
- Sofern erhältlich, Kontext aus LIMS/ELN (Probentyp, Projektpriorität)
- Optional: Instandhaltungs-/CMMS-Ereignisse (Ticket erstellt/gelöst) zur Verfeinerung der Ausfallzeitbestimmung
Diese Daten erlauben die Berechnung gängiger KPIs wie Auslastung pro Stunde oder Tag, Anteil fehlgeschlagener Analysen, Zeit zwischen Fehlern, geschätzte Ausfallzeit sowie kapazitätsbezogene Kennzahlen.
Was visualisiert werden sollte und warum
Operativer Überblick zur Situationsbewertung
Beginnen Sie mit einer kompakten Statusübersicht, die von Schichtleitern oder Labormanagern in Sekunden erfasst werden kann. Eine strukturierte Tabelle zeigt beispielsweise Gerätestatus, das nächste Wartungsdatum, die bis dahin verbleibenden Tage und Details zur letzten Sequenz [Abbildung 1]. Gruppierungen nach Labor oder Team erleichtern Übergaben und Abstimmungen.
Die Tabelle in Abbildung 1 zeigt den Status jedes Instruments im Labor an und fasst Schlüssel- Informationen zusammen, etwa ob ein Gerät verfügbar ist oder gewartet wird, oder wann die letzte Wartung durchgeführt wurde. Aufgrund der der Benutzungsdauer seit der letzten Wartung wird ausserdem die „Lebensdauer“ angezeigt, die bis zum nächsten Wartungsintervall noch übrig ist. Die Zeilen sind erweiterbar (siehe orange-umrandeter Teil) und zeigen zusätzliche Details wie Informationen zu spezifischen Modulen und zum letzten Lauf. Dies unterstützt Teams dabei, einsatzbereite Instrumente schnell zu identifizieren.
Ausfallzeiten und wiederkehrende Fehler
Um verlorene Analysezeit zu minimisieren, müssen Teams wissen, welche Fehler regelmässig auftreten und wo sich Ausfälle kumulieren. Zwei komplementäre Ansichten sind hilfreich:
- Ein Pareto-Diagramm der häufigsten Fehlertypen [Abbildung 2]
- Ein Gestapeltes Balkendiagramm der Ausfallzeit pro Instrument nach Fehlertyp [Abbildung 3]
Abbildung 2 ordnet die Fehler nach ihrer Häufigkeit und teilt sie auf die verschiedenen Instrumente auf. Das Diagramm hilft, schnell zu zeigen, welche Probleme am häufigsten auftreten und ob sie bei bestimmten Instrumenten vermehrt vorkommen. Andererseits können bestimmte Fehler zwar häufig auftreten, aber nur minimale Auswirkungen auf die Verfügbarkeit des Instruments haben; dies wird in Abbildung 3 visualisiert, wo die gesamten Ausfallstunden über einen bestimmten Zeitraum in einem gruppierten Balkendiagramm dargestellt und nach den verschiedenen Fehlertypen aufgeteilt werden. Der häufigste Instrumentenfehler verursacht nicht die meisten Ausfallstunden des Instruments. Diese Diagramme helfen den Teams, sich darauf zu konzentrieren, wiederkehrende Probleme zu lösen, indem sie die am häufigsten wiederkehrenden Fehlertypen und die Fehler mit den grössten Auswirkungen in den Fokus nehmen.
Wenn Ihre Wartungsdaten noch nicht integriert sind, kann die Ausfallzeit über das Zeit-Intervall vom Zeitstempel des Fehlers bis zum Start der nächsten Sequenz am selben Instrument geschätzt werden. Wenn CMMS-Daten verfügbar sind, verfeinern Sie die Messung indem sie die Erkennungsverzögerung, Reparaturzeit und Wiederherstellung aufschlüsseln, was eine genauere Analyse der mittleren Reparaturzeit (MTTR) ermöglicht.
Beziehungen zwischen Ausfallzeiten, Instrumenten und Fehlerkategorien
Sankey-Diagramme helfen den Lesern nachzuvollziehen, wie sich Ausfallzeiten nach Kategorien gruppieren und wo sie enden [Abbildung 4]. Das Diagramm zeigt, wie Probleme durch das System fliessen. Die Ausfallzeit wird in vier Kategorien unterteilt: kurze, mittlere, lange und aussergewöhnlich lange Ausfallzeiten. Die Fehlertypen befinden sich in der Mitte und an den Instrumenten auf der rechten Seite. Die Breite des Bands steht dafür, wie oft jede Kombination auftritt. Es hilft zu erkennen, welche Ausfallzeitkategorien welchen Fehlern zugeordnet werden können und welche Systeme am häufigsten betroffen sind.
Sankey-Verknüpfungen sind aggregierte Flüsse. Wenn Sie mehr technische Präzision bevorzugen, platzieren Sie ein Balkendiagramm, das dieselben Kategorien zusammenfasst, unter dem Sankey-Diagramm zur Überprüfung.
Zuverlässigkeitsmuster: Zeit zwischen den Fehlern
Eine Verteilungsdarstellung der Zeit zwischen den Fehlern ergänzt frequenzbasierte Diagramme, indem sie den Fokus auf die Stabilität und nicht nur auf die Anzahl legt [Abbildung 5]. Das «Violin»-Diagramm zeigt, wie viel Zeit typischerweise zwischen den Fehlern der einzelnen Instrumente vergeht. Die breiteren Teile der „Geige“ weisen auf ein häufigeres Auftreten dieser Zeit zwischen Fehlern hin. Eine schmale Form bedeutet hingegen, dass die Zeit zwischen Fehlern seltener auftritt. Eine höhere Position bedeutet eine längere Zeit zwischen Fehlern, was besser ist. Die Kernaussage der Visualisierung ist einfach: Instrumente mit höheren und kompakteren Formen sind tendenziell zuverlässiger. Im Beispiel schneidet INST_007 deutlich besser ab als die anderen drei Instrumente, die alle niedriger positioniert sind und grössere Schwankungen bei der Zeit zwischen Fehlern aufweisen.
Dies ist hilfreich bei Gesprächen mit Anbietern oder bei der Entscheidung, welche Geräte für die Verarbeitung kritischer Chargen geeignet sind.
Nutzungsmuster über Tage und Wochen hinweg
«Heatmaps» zeigen auf einen Blick, wann die Kapazitäten stark beansprucht werden. Anhand der auf die volle Stunde gerundeten Erfassungszeitstempel können Sie die Kennzahl „Prozentsatz der genutzten Stunde“ berechnen und diese pro Tag und Gerät anzeigen [Abbildung 6]. Die «Heatmap» zeigt, wie stark jedes Gerät in jeder Stunde eines bestimmten Zeitraums ausgelastet war. Sie bietet einen schnellen Überblick über Spitzenzeiten, ruhige Zeiten und Muster wie beispielsweise Wochenenden.
Diese Ansicht lässt sich auf Wochentage aggregieren, um wiederkehrende wöchentliche Rhythmen aufzudecken, oder auf Monate, um saisonale Trends zu erkennen. Solche Visualisierungen helfen bei der Analyse der Zeitplanung und der Planung von Wartungsarbeiten.
Throughput-Qualität: fehlgeschlagene und abgebrochene Analysen
Die Auslastung (Quantität) ohne Berücksichtigung der Qualität kann irreführend sein. Ein einfaches gestapeltes Prozentdiagramm zeigt den Anteil der abgebrochenen und fehlgeschlagenen Analysen pro Gerät und macht deutlich, bei welchen Methoden oder Modulen Handlungsbedarf besteht [Abbildung 7]. Das Diagramm zeigt den prozentualen Anteil der Analysen, die aufgrund eines Gerätefehlers entweder abgebrochen wurden oder fehlgeschlagen sind. Geräte mit einem höheren Anteil an fehlgeschlagenen Analysen erfordern möglicherweise besondere Aufmerksamkeit. Eine ähnliche Darstellung kann verwendet werden, um Methoden statt Geräte zu vergleichen und zu prüfen, ob bestimmte Methoden regelmässig zu Fehlern führen.
Methodenvielfalt und Laufzeitunterschiede
Verschiedene Geräte verfügen oft über unterschiedliche Methodenportfolios. Ein Ridge- oder Dichte-Diagramm der Sequenzlaufzeit pro Gerät hilft zu die Arbeitslasts-Verteilung zu erklären [Abbildung 8]. Jedes Gerät weist eine charakteristische spezifische Kurve auf, die zeigt, welche Laufzeiten häufig auftreten. Dies hilft zu erklären, warum bestimmte Geräte mehr verbleibende Kapazität haben als andere. Beispielsweise, wenn ein Gerät hauptsächlich für kurze Assays und ein anderes für lange Läufe zur Bestimmung von Verunreinigungen verwendet wird. Es zeigt auch auf, ob ein Gerät für eine Methode verwendet wird, die im Vergleich zu anderen ungewöhnlich ist.
Hinweise zur Implementierung (Tools und Governance)
Diese Ansichten lassen sich in den meisten Analyse-Stacks erstellen. Wählen Sie die Technologie danach aus, wo und wie die Benutzer die Dashboards nutzen werden und ob komplexe und benutzerdefinierte Visualisierungen erforderlich sind:
Enterprise-BI: Power BI oder Tableau für schnelle und standardisierte Dashboards sowie benutzerfreundliche und robuste Datenanbindung.
Technische Detailanalysen: Shiny oder Dash für weitergehende Analysen, anspruchsvolle Visualisierungen und hohe Flexibilität.
Unabhängig vom Frontend hängt der Erfolg von zuverlässigem Data Engineering ab. Extrahieren Sie Daten über Anbieter-APIs oder Datenbanken, bereiten Sie sie in einem harmonisierten Schema vor und versionieren Sie sie, damit Business-Vorgaben überprüft werden können. Wenn Ihr Labor nach GxP arbeitet, wenden Sie ein Change-Control auf Datentransformationen an und bewahren Sie die Herkunftsnachweise auf, damit die visuellen Ergebnisse überprüfbar bleiben. Die Aktualisierungsintervalle reichen von nahezu in Echtzeit bis hin zu geplanten Batch-Updates, je nach Infrastruktur und Systemauslastung.
Diskussion
Alle dargestellten Abbildungen können entweder mit simulierten oder mit Produktionsdaten erstellt werden. Synthetische Datensätze sind nützlich für die Konzeption und für Gespräche mit den Beteiligten, doch sollten visuelle Schlussfolgerungen nur dann als Entscheidungsgrundlage dienen, wenn sie aus validierten Produktionspipelines stammen. Bei der Anbindung von Live-Systemen sollten sich die Beteiligten auf drei Punkte einigen:
- Verfügbarkeit und Quelle: Woher stammt jedes Feld und wie oft wird es aktualisiert?
- Definitionen: Was gilt als Ausfall, wann beginnt und endet eine Ausfallzeit und wie wird die Auslastung berechnet?
- Validierung: Überprüfungen, die bestätigen, dass Zuordnungen und Berechnungen korrekt sind, insbesondere bei der Zusammenführung von Daten aus CDS, LIMS/ELN und anderen Plattformen.
Ohne klare Definitionen und klare Regeln können Visualisierungen irreführend sein. Mit ihnen können Teams ihre Fachsprache vereinheitlichen und routinemässige Gespräche über Zuverlässigkeit, Kapazität und Zeitplanung beschleunigen. Branchenberichte zeigen, dass Labore, die in digitale Qualitätskontrolle, Datenintegration und zweckmässige Analysen investieren, den Untersuchungsaufwand reduzieren und die Durchlaufzeiten verkürzen [1, 2].
Fazit und nächste Schritte
Laboratorien stehen jede Woche vor den gleichen Fragen: Welche Geräte laufen stabil, wo gibt es Kapazitätsengpässe, welche Fehler kosten am meisten Zeit und wie sollte die Arbeitsauslastung geplant werden? Die in diesem Artikel vorgestellten visuellen Muster bieten eine praktische Möglichkeit, diese Fragen anhand von Daten zu beantworten, die die meisten Labore ohnehin bereits erfassen. Ein integriertes Dashboard, das CDS Erfassungen, Audit-Ereignisse, LIMS-/ELN-Kontextund Wartungsinformationen miteinander verknüpft, hilft Teams dabei, Risiken frühzeitig zu erkennen, Untersuchungen zu verkürzen und die Planung sicherer zu gestalten.
Wenn Sie herausfinden möchten, welche Möglichkeiten sich für Ihr Labor, Ihre Arbeitsabläufe und Ihre aktuelle Technologieplattform bieten, vereinbaren wir gerne einen Termin für ein Gespräch. Jede Organisation verfügt über eine andere Kombination aus CDS,LIMS/ELN und Wartungssystemen, und jede Umgebung bringt ihre eigenen Einschränkungen und Chancen mit sich. Wir können Ihnen dabei helfen, Optionen zu prüfen, Ansätze zu diskutieren und Sie dabei zu unterstützen, herauszufinden, welche Visualisierungen oder Integrationen in Ihrem spezifischen Kontext den grössten Nutzen bringen könnten.
Referenzen
[1] LCGC Europe. Analytical Instrument Vendors: Q2 2025—Pharma/Chemical Growth (Sep 2025).
[3] wega Informatik. Determine Chromatography Instrument Utilization in Real Time.
[4] wega Informatik. Determine Chromatography Instrument Utilization in Real Time (Part 2).