Développement d'une méthode PAT basée sur la technique NIR pour le suivi de l'uniformité d'un mélange particulaire pharmaceutique et l'évaluation de la taille moyenne des particules
Bibliographic record
Abstract
En 1992, le cas de Barr Laboratories vs. US Food and Drug Administration (FDA) est le sujet de l'heure dans l'industrie pharmaceutique. La FDA poursuit le manufacturier contractuel de produit pharmaceutique pour ses mauvaises pratiques de validation de procédés et de tests de routine. Le mélange des matières premières est particulièrement visé. Les procédures de validation y sont en effet négligées et les contrôles et évaluations de la qualité du produit fini sont alors restreints aux tests de quelques comprimés sur un lot parfois de plusieurs millions de comprimés. Un besoin est ainsi identifié : mettre en place un nouveau système d'évaluation de la qualité ou de contrôle de la production plus représentatif. C'est ainsi qu'en 2004 est lancée l'initiative des technologies d'analyse des procédés, ou"Process Analytical Technologies" ou PAT. Cette initiative, chapeautée par la FDA, prend rapidement de l'ampleur bien que restant à ce jour une recommandation plus qu'une loi. Dans la même veine, le projet de Recherche et Développement Coopératif (RDC) entre l'Université de Sherbrooke et Wyeth Pharmaceutiques sur l'étude des phénomènes granulaires d'écoulement et de ségrégation identifie ce même besoin important pour la continuation des travaux. C'est ainsi que naquit ce présent projet de maîtrise. Afin de faire suite aux recommandations de la FDA et afin de continuer les études sur les systèmes particulaires, un outil de suivi de la qualité en ligne doit être développé pour les mélangeurs utilisés dans l'industrie pharmaceutique. Cet outil devra éventuellement être viable pour la production de l'entreprise et servira de critère de relâche des produits finis. La technologie de la spectroscopie en proche infrarouge (NIR) a rapidement été identifiée pour ce besoin. Cette technologie possède les avantages nécessaires afin d'être installée sur le mélangeur et suivre la qualité de mélange en temps réel. Les travaux ici présentés ont été effectués entre janvier 2006 et septembre 2008 sur une véritable formulation pharmaceutique et ont été appliqués à l'échelle laboratoire tout comme à l'échelle de production conventionnelle. Les travaux ont permis d'identifier trois techniques d'analyse statistique viables pour le suivi de l'homogénéité de mélange en ligne : l'analyse de la variance, l'analyse de la distance et l'analyse quantitative. Ces trois techniques possèdent toutes leurs avantages et désavantages et le choix d'une de ces techniques dépend de la formule visée et du besoin du client. De plus, grâce à l'application d'un Design d'Expérience (DoE), les paramètres critiques ayant une influence sur le spectre NIR ont été évalués. La distribution de tailles de particules est un de ces facteurs ayant une influence importante. Son influence a été évaluée grâce à l'application du modèle de Kubelka-Munk. Les recommandations de ces travaux ont été transmises à l'entreprise Wyeth Pharmaceutiquess à Montréal et seront appliquées pour la future implantation de la technologie NIR pour le suivi de l'homogénéité de mélange lors des procédés de mélanges granulaires pharmaceutiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".