MétaCan
Menu
Retour à la cohorte
Enregistrement W2890610037 · doi:10.1039/c8an01262h

<i>In situ</i> analytical characterization and chemical imaging of tablet coatings using laser induced breakdown spectroscopy (LIBS)

2018· article· en· W2890610037 sur OpenAlexaff
Lanfang Zou, Brittany Kassim, Joseph P. Smith, James D. Ormes, Yong Liu, Qiang Tu, Xiaodong Bu

Notice bibliographique

RevueThe Analyst · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser-induced spectroscopy and plasma
Établissements canadiensProcess Research Ortech (Canada)
Organismes subventionnairesMeso Scale Diagnostics
Mots-clésLaser-induced breakdown spectroscopyCoatingMaterials scienceCharacterization (materials science)Chemical imagingScanning electron microscopeElemental analysisSpectroscopyLaserNanotechnologyOpticsComposite materialChemistry

Résumé

récupéré en direct d'OpenAlex

Laser induced breakdown spectroscopy (LIBS) has emerged as an innovative tool for quantitative and qualitative elemental analysis in pharmaceutical research. Herein, the potential use of LIBS for rapid characterization of tablet coatings is illustrated, including the investigation of coating thickness, coating uniformity and localized coating contamination. The laser shot number required for penetrating the coating correlates well with coating thickness determined from traditional scanning electron microscopy measurements. Each laser shot represents a 2.58 μm coating thickness. The inter-tablet coating uniformity was directly visualized using LIBS-based 3D chemical imaging, and the intra-tablet coating uniformity was quantitatively investigated. To our knowledge, this is the first report of 3D LIBS-based chemical imaging being utilized for quantitative analysis of pharmaceutical tablet coatings. In addition to elemental information, the accurate location of contaminants on the tablet coating was rapidly identified using 2D imaging. These results pave the way for LIBS to be a valuable technique for the analysis of pharmaceutical tablet coatings.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil0,526

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,242
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe AnalystMême sujetLaser-induced spectroscopy and plasmaTravaux en français237 207