MétaCan
Menu
Retour à la cohorte
Enregistrement W7098018610

Impurity Profiling: Theory and Practice P.Venkatesan and K.Valliappan

2015· article· en· W7098018610 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineChemistry
ThématiqueAnalytical Methods in Pharmaceuticals
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésImpurityActive ingredientDrugPharmaceutical industryHazardous wastePharmaceutical manufacturing
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

There is an ever increasing interest in impurities present in APIs. Now days, not only purity profile but also impurity profile has become mandatory according to various regulatory authorities. In the pharmaceutical world, an impurity is considered as any other inorganic or organic material, or residual solvents other than the drug substances, or ingredients, arise out of synthesis or unwanted chemicals that remains with APIs. Impurity profiling includes identification, structure elucidation and quantitative determination of impurities and degradation products in bulk drug materials and pharmaceutical formulations. Impurity profiling has gained importance in modern pharmaceutical analysis due to the fact that unidentified, potentially toxic impurities are hazardous to health and in order to increase the safety of drug therapy, impurities should be identified and determined by selective methods. Terms such as residual solvents, byproduct, transformation products, degradation products, interaction products and related products are frequently used to define impurities. The control of impurities in Formulated products and Active Pharmaceutical ingredient’s were regulated by various regulatory authorities like ICH, USFDA, Canadian Drug and Health Agency are emphasizing on the purity requirements and the identification of impurities in Active Pharmaceutical Ingredient’s (API’s). Identification of impurities is done by variety of Chromatographic and Spectroscopic techniques, either alone or in combination with other techniques. There are different methods for detecting and characterizing impurities with TLC, HPLC, HPTLC, AAS etc. Impurity profiling study has been in the limelight in the recent pharmaceutical scenario and its importance is increasing day-by-day. The present review covers various aspects related to the analytical method development for impurity profiling of Active Pharmaceutical ingredient and pharmaceutical products. Keywords:

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)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,795
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,011
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 Opus0,135
Tête enseignante GPT0,453
Écart entre enseignants0,318 · 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.

Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAnalytical Methods in PharmaceuticalsTravaux en français237 207