Développement d’outils chimiométriques pour la détermination de teneurs en principes actifs par spectroscopie proche infrarouge dans les comprimés pharmaceutiques à faible dosage
Institution:
MulhouseDisciplines:
Directors:
Abstract EN:
The pharmaceutical industry faces increasing regulatory pressure to optimize quality control. Content uniformity is a basic release test for solid dosage forms. To accelerate test throughput and comply with the Food and Drug Administration’s process analytical technology initiative, attention is increasingly turning to nondestructive spectroscopic techniques, notably near-infrared spectroscopy (NIRS). This thesis evaluate the potential of this spectroscopy for content uniformity on low-dosage tablets. The validation of NIRS using requisite linearity and standard error of prediction (SEP) criteria remains a challenge. This study innovatively applied wavelet transformation of the NIR spectra of a commercial tablet to build a model using conventional partial least squares regression and an artificial neural network. Wavelet coefficients in the PLS and ANN models reduced SEP by up to 60% compared to PLS models using mathematical spectra pretreatment.
Abstract FR:
L’industrie pharmaceutique fait face à une pression croissante des autorités pour améliorer la qualité des produits de santé. L’uniformité de teneur est l’un de ces critères. Afin d’améliorer les tests et de répondre à l’initiative « Process Analytical Technology » l’attention se tourne vers des méthodes non destructives telle que la spectroscopie proche infrarouge. Cette thèse évalue le potentiel de cette technologie pour la détermination de teneur dans des comprimés pharmaceutiques à faibles dosage. La validation des méthodes proche infrarouge reste néanmoins un challenge, c’est pourquoi cette étude applique de manière innovante la transformée en ondelettes sur des spectres proche infrarouges de comprimés pour extraire l’information due au principe actif et établir des modèles de détermination de teneurs. Cette transformation permet de réduire jusqu’à 60% l’erreur de prédiction de la modélisation par rapport aux méthodes classiques.