Shelf Life Intelligence: dados para transformar estudos de estabilidade no setor químico

# Shelf Life Intelligence: dados para transformar estudos de estabilidade no setor químico

Resumo

A definição do prazo de validade de produtos químicos depende de estudos de estabilidade conduzidos ao longo de vários meses, com múltiplos métodos analíticos e avaliações recorrentes. Na Indovinya, esse processo representa mais de 3 mil análises por ano, consome aproximadamente 10% das horas do laboratório analítico no Brasil e pode custar entre R$ 24 mil e R$ 70 mil por produto, conforme sua complexidade. Este relato apresenta a iniciativa Shelf Life Intelligence, estruturada para reutilizar dados históricos de estabilidade como apoio à identificação de parâmetros críticos, à revisão de frequências analíticas e à discussão técnica sobre períodos de monitoramento. Na primeira etapa, desenvolvida com a startup Noble.AI, 21,7 mil medições históricas foram consolidadas e convertidas em análises estatísticas, visualizações e estimativas probabilísticas. A análise indicou oportunidade potencial de redução de 56% no número de análises previstas nos protocolos avaliados, associada a economia potencial de aproximadamente US$ 110 mil por ano e ganho potencial de 4% na produtividade do time técnico de Pesquisa e Desenvolvimento. Esses valores são estimativas e não substituem comprovação operacional recorrente. A iniciativa evoluiu para uma prova de conceito com a startup Dobslit, que desenvolveu uma plataforma digital para avaliação de tendências de alteração dos requisitos de especificação ao longo do tempo. A contribuição central do caso não está na criação de um novo método estatístico de Shelf Life, mas na transformação de registros históricos fragmentados em uma base estruturada e reutilizável para planejamento experimental, priorização por risco e gestão do conhecimento laboratorial.

**Palavras-chave:** Shelf Life; estudos de estabilidade; dados históricos; protocolo analítico; inovação aberta; indústria química.

1. Introdução

A definição do Shelf Life de produtos químicos é uma atividade crítica para assegurar que um produto mantenha suas propriedades e sua qualidade dentro das especificações estabelecidas durante determinado período. Essa definição sustenta decisões internas de desenvolvimento, comunicação técnica com clientes e gestão de requisitos de qualidade. Para cada novo produto, são realizados estudos de estabilidade que combinam métodos analíticos, períodos de acompanhamento e critérios de aceitação definidos conforme as características do produto e sua aplicação.

Na Indovinya, empresa que desenvolve e comercializa produtos químicos para diferentes mercados, o volume dessa atividade é expressivo. Em média, são lançados 67 novos produtos por ano. Considerando os métodos necessários e os diferentes períodos de monitoramento, os estudos representam mais de 3 mil análises anuais. O custo médio informado é de aproximadamente R$ 24 mil por produto, podendo chegar a R$ 70 mil em casos específicos. Além do investimento financeiro, os estudos consomem cerca de 10% das horas da equipe do laboratório analítico brasileiro.

Esse cenário impõe um desafio de eficiência técnica. A repetição de análises ao longo de meses é necessária quando permite detectar alterações relevantes para a estabilidade do produto. Entretanto, quando um parâmetro permanece historicamente estável e não agrega informação nova em determinada frequência, sua manutenção automática no protocolo pode gerar uso adicional de capacidade laboratorial, reagentes, consumíveis, equipamentos, espaço de armazenamento e destinação de resíduos. O problema não é reduzir análises indiscriminadamente, mas direcionar o esforço analítico aos parâmetros e períodos de maior risco.

A avaliação estatística de dados de estabilidade é prática consolidada. O guia ICH Q1E apresenta recomendações para avaliação de dados de estabilidade e proposição de períodos de reteste e prazos de validade, incluindo apresentação, avaliação, extrapolação e abordagens estatísticas. Seu escopo, contudo, é farmacêutico, de modo que sua aplicação ao caso aqui relatado deve ser considerada apenas quando produto e contexto regulatório forem compatíveis. Neste relato, a iniciativa não é apresentada como substituta de guias, protocolos ou julgamento técnico especializado. Seu papel é complementar: organizar o histórico disponível, revelar padrões e apoiar hipóteses de revisão a serem avaliadas por especialistas.

2. Problema e objetivo

O desafio central do Shelf Life Intelligence foi reduzir análises e períodos de monitoramento que não agregavam informação relevante, mantendo a qualidade técnica dos estudos e a correta definição do prazo de validade dos produtos. Os protocolos existentes exigiam avaliação recorrente de diferentes parâmetros físico-químicos. Contudo, nem todos esses parâmetros se comportavam da mesma forma ao longo do tempo: alguns permaneciam estáveis durante todo o estudo, enquanto outros podiam se alterar em períodos específicos e exigiam acompanhamento mais frequente.

Antes da iniciativa, o conhecimento sobre esse comportamento estava distribuído entre estudos concluídos, planilhas e resultados laboratoriais. A ausência de uma base consolidada dificultava a reutilização sistemática do histórico e limitava a capacidade de comparar produtos, famílias, parâmetros, períodos e limites de especificação. Assim, a equipe buscava responder a três questões práticas: quais parâmetros influenciam a definição do Shelf Life de cada produto ou família; em quais períodos cada parâmetro precisa ser analisado; e quais análises podem ser revistas sem aumentar o risco de não identificar uma alteração relevante.

O objetivo do projeto foi estruturar dados históricos de estabilidade e convertê-los em suporte analítico para discussão técnica de protocolos futuros. O foco não foi automatizar a decisão de Shelf Life nem criar uma nova métrica estatística, mas ampliar a capacidade da organização de usar seu próprio acervo de dados como base para planejamento experimental e priorização por risco.

3. Abordagem metodológica

A iniciativa adotou uma abordagem de inovação aberta, combinando competências internas da Indovinya com capacidades externas em análise de dados aplicada à química. Participaram áreas de Pesquisa e Desenvolvimento, Desenvolvimento Analítico, Gestão da Inovação e liderança, além das startups envolvidas nas provas de conceito.

Na primeira etapa, a Indovinya firmou parceria com a Noble.AI para testar a aplicação de análises estatísticas, visualizações e técnicas computacionais aos dados históricos de estudos de estabilidade. O escopo incluiu consolidar uma base com produtos, parâmetros, medições e períodos; conduzir análises científicas e estatísticas; e entregar recomendações para reduzir carga de medição e análise. A Noble.AI concentrou sua contribuição nos recursos analíticos e computacionais, enquanto a Indovinya aportou conhecimento sobre produtos, métodos, limites de especificação e interpretação científica dos resultados.

A prova de conceito utilizou 21,7 mil medições provenientes do histórico de estudos de estabilidade. A base relacionou produtos, parâmetros analíticos, períodos de avaliação, resultados medidos e limites de especificação. O procedimento compreendeu extração e consolidação dos dados históricos; estruturação dos registros por produto, parâmetro, medição e período; análise do comportamento dos parâmetros ao longo do tempo; comparação dos resultados com os limites de especificação; geração de visualizações e estimativas probabilísticas; e avaliação técnica das recomendações pelos especialistas da Indovinya.

As recomendações geradas pela solução foram discutidas e ajustadas em ciclos de validação com as equipes envolvidas. Essa etapa foi relevante porque a interpretação estatística, isoladamente, não define a adequação de uma alteração em protocolo. Cada recomendação precisa considerar características do produto, qualidade e completude dos dados, condições do estudo, requisitos técnicos e eventuais exigências regulatórias aplicáveis.

4. Interpretação estatística e limites de uso

A solução apresentou tendências dos parâmetros ao longo do tempo, dispersão histórica e estimativas de permanência dentro dos limites de especificação. Essas visualizações apoiaram a identificação de variáveis historicamente estáveis e de parâmetros que requeriam monitoramento mais rigoroso.

Um cuidado metodológico importante foi a delimitação do que poderia ou não ser afirmado com base nas análises. O documento original utilizava a expressão “intervalo de confiança estatístico de dois sigma”. Essa formulação foi retirada porque dois desvios-padrão não definem, por si só, um intervalo de confiança de regressão. A descrição final deve refletir exatamente o cálculo implementado, seu nível de confiança e suas premissas. Esse ajuste reforça a necessidade de rastreabilidade estatística e evita atribuir precisão ou validade indevida aos resultados.

As análises também não devem ser interpretadas como definição automática de prazo de validade. Elas apoiam a discussão sobre frequência de análise e períodos de monitoramento, mas a decisão permanece científica e técnica. Em outras palavras, a tecnologia organiza e evidencia padrões; a responsabilidade pela interpretação e pela decisão continua com os especialistas.

5. Aplicação prática

Um dos exemplos avaliados foi o teste de hidroxilas, anteriormente realizado mensalmente. Para os produtos analisados, o histórico não indicou alteração relevante desse parâmetro durante o período observado. Esse resultado apontou uma oportunidade de revisar a frequência do teste, desde que a alteração fosse condicionada à avaliação dos especialistas e às exigências aplicáveis.

A análise também demonstrou que a otimização não deveria ser indiscriminada. Para o nível de acidez, os dados apontaram estabilidade histórica por até 20 meses. Para o número de carbonila, a estabilidade observada foi inferior a 10 meses. A recomendação foi manter o monitoramento mensal desses dois métodos para preservar a capacidade de identificar alterações relevantes. Esses exemplos ilustram a lógica seletiva do projeto: parâmetros historicamente estáveis podem ser candidatos à revisão, enquanto parâmetros com maior probabilidade de alteração devem permanecer sob acompanhamento rigoroso.

Essa distinção é central para o valor técnico da iniciativa. A busca por eficiência não se traduz em redução linear de análises, mas em redistribuição do esforço analítico conforme evidências históricas e risco. O histórico passa a orientar onde a organização pode discutir flexibilização e onde deve manter controles frequentes.

6. Resultados potenciais

A análise identificou uma oportunidade estimada de redução de 56% no número de análises previstas nos protocolos avaliados. Quando aplicada ao volume considerado pelo projeto, essa oportunidade resultou em economia potencial estimada de aproximadamente US$ 110 mil por ano e ganho potencial de cerca de 4% na produtividade do time técnico de Pesquisa e Desenvolvimento.

Esses resultados devem ser interpretados como potenciais estimados, não como benefícios realizados. Para que sejam auditáveis, é necessário distinguir linha de base, cenário recomendado, premissas, memória de cálculo e resultados efetivamente observados após implementação recorrente. Os registros internos indicam que a estimativa de 56% foi associada à comparação entre o processo anterior e a metodologia proposta, considerando número de parâmetros, frequência e períodos de análise. Também indicam que os custos por estudo foram estimados a partir do custo de cada análise multiplicado pelo número de análises de um estudo completo. Entretanto, esses elementos ainda não constituem memória de cálculo completa e devem ser detalhados com os valores utilizados.

Além dos ganhos econômicos potenciais, a iniciativa trouxe ganhos operacionais e técnicos. A equipe passou a dispor de visualizações e análises estatísticas para apoiar a elaboração e revisão dos protocolos, em vez de depender apenas da repetição histórica ou da consulta manual a estudos anteriores. Entre os benefícios potenciais estão redução da carga de análises laboratoriais, priorização de parâmetros com maior risco de alteração, acesso mais rápido às tendências históricas, suporte estatístico à discussão de requisitos de especificação, melhor aproveitamento da capacidade do laboratório e maior consistência na avaliação dos estudos de estabilidade.

A redução potencial do número de análises também pode diminuir o consumo de reagentes, consumíveis e energia, bem como a geração de resíduos químicos. Esses efeitos, contudo, devem ser tratados como potenciais enquanto não houver medição consolidada. A relação temática com os Objetivos de Desenvolvimento Sustentável 9, ligado a indústria, inovação e infraestrutura, e 12, ligado a consumo e produção responsáveis, indica aderência conceitual, mas não comprova impacto ambiental mensurado.

7. Originalidade e diferencial do caso

Regressão, análise de tendências, intervalos de confiança e reavaliação da frequência de ensaios são práticas conhecidas em estudos de estabilidade. Assim, o Shelf Life Intelligence não reivindica a criação de um novo método estatístico nem de uma nova métrica de Shelf Life. Seu diferencial está na forma de uso do acervo histórico da organização.

Antes da iniciativa, os dados de estudos concluídos funcionavam predominantemente como evidência documental de projetos específicos. Com a estruturação realizada, esses registros passaram a compor uma base reutilizável para apoiar decisões sobre frequência de análise, períodos de monitoramento e priorização por risco. A mudança é de gestão do conhecimento: o dado deixa de ser consultado de modo fragmentado e passa a alimentar uma visão consolidada do comportamento dos parâmetros ao longo do tempo.

O diferencial organizacional está na combinação entre dados proprietários, conhecimento químico interno, análise estatística, visualização interpretável e inovação aberta. A tecnologia amplia a capacidade de análise, mas não substitui o julgamento científico. Esse arranjo permite transformar dados de estudos concluídos em insumo para planejamento experimental, preservando a separação entre evidência estatística, recomendação analítica e decisão técnica.

8. Evolução da jornada e governança

Após a etapa com a Noble.AI, a jornada evoluiu para uma nova prova de conceito com a startup brasileira Dobslit. A Dobslit desenvolveu uma ferramenta digital para avaliar tendências de alteração dos requisitos de especificação ao longo do tempo com base nos dados históricos. A solução foi aplicada a uma demanda do time de PTD/Analítico do P&D de Mauá, e os resultados motivaram o interesse da área em continuar utilizando a ferramenta em rotina.

Em 2026, foi estruturada a continuidade da plataforma em sua versão atual para permitir consultas, simulações e análises estatísticas sobre a base existente. Essa etapa não inclui novas funcionalidades, atualização da base ou desenvolvimento de modelos preditivos. A decisão preserva os resultados obtidos enquanto a organização avança nos pré-requisitos internos para uma possível fase futura.

A governança do projeto exigiu articulação entre áreas para disponibilizar dados, definir escopo, contratar a prova de conceito, acompanhar entregas e validar tecnicamente os resultados. Esse aspecto é relevante porque a utilidade de uma plataforma analítica depende não apenas de algoritmos ou visualizações, mas também de processos internos capazes de garantir qualidade dos dados, interpretação adequada, rastreabilidade das decisões e incorporação das recomendações aos fluxos de trabalho.

9. Valor para clientes e escalabilidade

A definição tecnicamente fundamentada do Shelf Life tem valor tanto para a eficiência interna quanto para a confiança dos clientes. Ao identificar quais parâmetros precisam de monitoramento rigoroso e quais podem ser candidatos à revisão, a iniciativa busca direcionar recursos aos fatores que efetivamente influenciam a estabilidade, sem flexibilizar critérios de qualidade. Informações mais claras sobre o comportamento dos parâmetros podem apoiar decisões técnicas mais rápidas e reduzir o risco de não conformidade.

A abordagem pode ser aplicada a novos produtos, famílias químicas, parâmetros analíticos e unidades que realizem estudos de estabilidade. Seu potencial de expansão depende da qualidade e padronização da base, da adequação do método ao produto e da validação científica das recomendações. A expansão, portanto, não é automática: requer dados consistentes, critérios de interpretação, rastreabilidade e participação dos especialistas responsáveis.

Uma evolução considerada é o desenvolvimento de modelos preditivos capazes de apoiar a estimativa de Shelf Life de novos produtos. Antes disso, a Indovinya precisa concluir pré-requisitos relacionados à organização e à representação dos dados moleculares por meio da iniciativa de SMILES. Enquanto esses pré-requisitos são desenvolvidos, a estratégia é preservar o conhecimento já criado, utilizar a plataforma nas análises em que possa agregar valor e registrar aprendizados e oportunidades, evitando atribuir à solução atual capacidades preditivas que ainda não foram desenvolvidas.

10. Limitações

O caso apresenta limitações importantes. Primeiro, os resultados econômicos e operacionais são potenciais estimados, não benefícios comprovados por acompanhamento operacional recorrente. A comprovação exige memória de cálculo completa, linha de base explícita, premissas documentadas e medição posterior à implementação.

Segundo, a qualidade das conclusões depende da qualidade, completude e padronização dos dados históricos. Registros incompletos, diferenças de método, alterações de especificação ou mudanças nas condições de estudo podem afetar a comparabilidade dos resultados e precisam ser considerados na avaliação técnica.

Terceiro, a solução atual não deve ser descrita como modelo preditivo de Shelf Life. Ela oferece consultas, visualizações, simulações e análises estatísticas sobre a base existente. A evolução para modelos preditivos depende de pré-requisitos adicionais, incluindo organização dos dados moleculares.

Por fim, a aplicabilidade de guias e abordagens estatísticas depende do produto e do contexto regulatório. O ICH Q1E é referência consolidada para avaliação de dados de estabilidade no escopo farmacêutico, mas sua transposição para produtos químicos deve ser feita com cautela e compatibilidade técnica.

11. Conclusão

O Shelf Life Intelligence transformou o uso de um acervo histórico de estudos de estabilidade na Indovinya. Ao estruturar 21,7 mil medições e convertê-las em análises e visualizações, o projeto mostrou que dados de estudos concluídos podem apoiar a identificação de parâmetros críticos, a discussão sobre frequência de análise e a revisão técnica de períodos de monitoramento.

A análise apontou potencial estimado de redução de 56% das análises, economia potencial de aproximadamente US$ 110 mil por ano e ganho potencial de 4% na produtividade. Esses números indicam uma oportunidade relevante, mas devem ser tratados como estimativas até que sejam sustentados por memória de cálculo detalhada e acompanhamento dos resultados efetivamente realizados.

A principal contribuição do projeto não é um novo método estatístico nem um modelo preditivo de Shelf Life. É a mudança de gestão do conhecimento laboratorial: dados antes dispersos e consultados de forma pontual passaram a ser estruturados e reutilizados como suporte ao planejamento experimental e à priorização por risco. A continuidade da plataforma com a Dobslit indica utilidade percebida pela área técnica e preserva os aprendizados da jornada. A evolução futura deve manter validação científica, rastreabilidade metodológica e separação clara entre recomendações analíticas, decisões técnicas e resultados comprovados.

Referências

INTERNATIONAL COUNCIL FOR HARMONISATION. ICH Q1E: Evaluation of Stability Data. 2003.

U.S. FOOD AND DRUG ADMINISTRATION. Q1E Evaluation of Stability Data. Guidance Document, 2004.

UNITED NATIONS. Sustainable Development Goals: Goal 9 - Industry, Innovation and Infrastructure; Goal 12 - Responsible Consumption and Production.