Manuelle und automatische Kolonienzähler: Auswahl und Prüfung

Ein Kolonienzähler unterstützt das Ablesen sichtbarer Kolonien auf einer Platte. Er identifiziert Mikroorganismen nicht automatisch und belegt allein anhand des Bildes nicht die Lebensfähigkeit jedes klassifizierten Objekts. Für die Auswahl ist der gesamte Ablauf von der Platte bis zum genehmigten Ergebnis zu prüfen.

Ein sinnvoller Vergleich umfasst die tatsächlichen Laborplatten einschließlich schwieriger Fälle. Hohe Korrelation oder kurze Verarbeitungszeit belegen noch nicht, dass das Ergebnis die QC-Entscheidung trägt. Die folgenden Tabellen und der Fall sind eigene Bewertungshilfen, keine Arzneibuchkriterien.

1. Die Leseaufgabe definieren

Beschreiben Sie Plattenformat und Material, Nährmedium, gegebenenfalls Membran, Matrix, erwartete Morphologien, beobachtete Dichten und das Ablesezeitfenster. Berücksichtigen Sie kleine oder unregelmäßige Kolonien, Randkolonien und Platten ohne Kolonien. Der Einsatzbereich muss festlegen, wann das System zählen kann und wann es einen nicht interpretierbaren Zustand melden muss.

Verknüpfen Sie die Zählung mit der Datennutzung: Trendbewertung, Prozesskontrolle oder Ergebnis nahe einer Entscheidungsgrenze. Wenige falsch klassifizierte Objekte können je nach Kontext unterschiedliche Folgen haben. Grenzen der mikrobiologischen Wiederfindung behandelt Bioburden und Methodeneignung; hier geht es um das Lesesystem, ohne Kulturbedingungen zu verändern.

2. Manuelle, unterstützte und automatische Verfahren vergleichen

Beim manuellen Ablesen beeinflussen Beleuchtung, Kontrast, Vergrößerung, Ergonomie und Auswerterregeln das Ergebnis. Ein elektronischer Zähler kann Aufzeichnungsfehler verringern, ohne selbst zu entscheiden, welche Objekte Kolonien sind.

Ein automatisches System erfasst Bilder und wendet Klassifikationsregeln oder Modelle an. Es kann das Ablesen vereinheitlichen und einen Bildnachweis erhalten, bleibt aber von Aufnahme und Konfiguration abhängig. Young et al., 2018 zeigen den Einfluss von Morphologie und Dichte auf den Vergleich menschlicher und automatischer Zählungen. Daraus folgt keine Garantie für jede pharmazeutische Platte.

3. Fehler in schwierigen Bildern suchen

Schneiden Sie Ränder oder problematische Bereiche nicht ohne begründete Regel aus: Dabei könnten echte Kolonien verschwinden. Bildqualität und Interpretierbarkeit stehen vor der angezeigten Zahl.

4. Einen Vergleich entwickeln, der Unterschiede sichtbar macht

Stellen Sie repräsentative Platten und Bilder mit verschiedenen Formaten, Medien, Dichten und visuellen Schwierigkeiten zusammen. Begründen Sie Umfang und Wiederholungen anhand von Variabilität und Entscheidung. Trennen Sie Fälle zur Systemeinstellung von Fällen zur Prüfung der festgelegten Konfiguration; sonst messen Sie möglicherweise die Anpassung an dieselben Beispiele.

Definieren Sie einen Vergleichswert, etwa unabhängige Ablesungen qualifizierter Personen mit einer Regel zur Klärung von Abweichungen. Erhalten Sie die ursprünglichen Ablesungen: Konsens ist keine unsicherheitsfreie Wahrheit. Vergleichen Sie Unterschiede je Platte, vorzeichenbehafteten Fehler, absoluten Fehler, Wiederholpräzision und Auswirkungen auf die Ergebniseinstufung. Bewerten Sie niedrige Zählwerte, dichte Fälle und Korrekturen getrennt.

Legen Sie vor der Studie einsatzbezogene Kriterien fest, keinen nach Sichtung der Daten gewählten Prozentsatz. Prozentuale Unterschiede werden nahe null instabil und sind bei Vergleichswert null nicht definiert. Die erneute Verarbeitung desselben Bildes mit einem deterministischen Algorithmus prüft nicht die Variabilität einer neuen Aufnahme.

5. Parameter und Korrekturen kontrollieren

Verwalten Sie Auswertefläche, Schwellen, Größenfilter und Trennregeln als kontrollierte Konfiguration. Ein Parameter darf nicht für jede Platte geändert werden, um den erwarteten Wert zu erreichen. Definieren Sie zulässige manuelle Korrekturen, Berechtigungen und Ergebnisse mit Prüfbedarf.

Erhalten Sie Originalbild, ursprüngliche Markierungen, Änderung, Bearbeiter, Grund und Endergebnis. Bei Heuser et al., 2023 verbesserte die visuelle Prüfung die Übereinstimmung, beseitigte aber den Zeitvorteil in der untersuchten Konfiguration. Erfassen Sie daher Handhabung, Korrektur, Prüfung und Export zusätzlich zur Softwarezeit.

6. System qualifizieren und Daten schützen

Verknüpfen Sie Anforderungen, Installations- und Funktionsprüfungen, lokale Leistung und Schulung. Lieferantenbilder können bestimmte Funktionen prüfen, ersetzen aber keine Verifizierung an den eigenen Laborplatten. Ein Zähler ist nicht allein deshalb validiert, weil er ein KI-Modell verwendet.

Identifizieren Sie Kamera, Beleuchtung, Software, Algorithmus und Versionen. Prüfen Sie die Zuordnung von Platte, Bild und Ergebnis sowie Zugriffe, relevante Audit Trails, Übertragungen und Wiederherstellung der Aufzeichnungen. Ein Zahlenausdruck erhält möglicherweise nicht alle für die Rekonstruktion erforderlichen Angaben: Bewerten Sie Originaldaten, Konfiguration und Korrekturverlauf nach den FDA-Grundsätzen zur Datenintegrität.

7. Routine überwachen, ohne kritische Fälle zu verdecken

Simulierter Fall, kein Experiment: Drei Platten liefern folgende Werte. Der manuelle Vergleichswert ist eine für dieses Beispiel abgestimmte Ablesung, keine zertifizierte Wahrheit.

Beide Mittelwerte betragen etwa 33,3 Kolonien je Platte, die mittlere vorzeichenbehaftete Differenz ist null. Dennoch weichen zwei Platten um zehn Kolonien ab; der mittlere absolute Fehler beträgt etwa 6,7. Über- und Unterschätzung heben sich auf und verdecken das Problem. Drei Fälle illustrieren das Risiko, bilden aber keinen Validierungsplan.

Definieren Sie für die Routine Funktionskontrollen, Auswerterkompetenz, Überwachung der Korrekturen und Maßnahmen bei ungeklärten Unterschieden. Neue Platten, Matrizes, Beleuchtung oder Updates erfordern vor Verwendung eine Folgenbewertung und angemessene Prüfungen. Im mikrobiologischen Laborbereich finden Sie die Verbindung zwischen Ablesung, Methode und Qualitätssystem.

Quellen und Zugriffsgrenzen

• WHO, TRS 961, Annex 2, 2011: gute Praxis für Geräte, Methoden und Qualität pharmazeutischer mikrobiologischer Labore.
• Young et al., 2018, PMID 29341168; Heuser et al., 2023, PMID 37395656: öffentliche Abstracts eingesehen. Bestimmte Systeme und Plattensätze, keine universellen Kriterien für die pharmazeutische QC.
• FDA, Data Integrity and Compliance With Drug CGMP, Dezember 2018: Originaldaten, Kontext und Prüfung. Quellen am 30. September 2026 geprüft.