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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,003
Communication savante0,0050,005
Science ouverte0,0020,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,005

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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

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