Quality Control of Multi-Component, Intact Pharmaceutical Tablets with Three Different Near-Infrared Apparatuses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The purpose of this study was to develop a robust and versatile near infrared (NIR) analysis protocol for the quality control of intact tablets containing two active pharmaceutical ingredients, acetylsalicylic acid (ASA) and caffeine, as well as three excipients. Reference samples were prepared and a calibration model built for each apparatus. All components of the formulation were characterized by transmission measurements with NIR spectroscopy (NIRS). The study was performed with three different Fourier transform NIR apparatuses and chemometric models. Calibration was carried out by the partial least squares regression method and a pre-processing technique to optimize the efficiency of the models. High performance liquid chromatography was the reference method for obtaining active pharmaceutical ingredient concentration values used in model building. It also served as a reference for chemometric model validation. Eighteen samples were analyzed by chemometric modeling to predict each component's concentration. Four out of five ingredients were quantified precisely with the three chemometric models developed. ASA quantification uncertainty ranges were between 1.0 and 1.1%, and the average error was less than 5% for caffeine. More than 99.9% of tablet content were analyzed and quantified. The results show that a versatile in-line or at-line NIRS method, with three different chemometric models built from three different acquisition apparatuses, can be developed without sample preparation for pharmaceutical tablet quality control of existing products.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle