Vocero | Transcripción |
| Pranjal Taskar | Está bien. Gracias, Pedro. Así que voy a empezar ahora. Hola a todos. Hoy voy a hablar de mi cartel. Este póster trata sobre el análisis sistemático de la focalización, que incluye el efecto de la formulación y las variables del proceso en los atributos de calidad final de mi producto. |
| Profundizando en todos los análisis estadísticos antes de eso, quería dar un trasfondo de lo que estamos hablando exactamente. ¿Qué es la tableta? La formación de tabletas es un proceso farmacéutico. |
| Mirando en la introducción, voy a hablar un poco sobre lo que es la tableta. Es un proceso farmacéutico en el que su ingrediente activo o fracción activa (API) |
| se mezcla con otros excipientes para formar una mezcla fluida y fluida y esta mezcla se comprime en nuestra forma de dosificación final, que es una tableta. |
| Entonces, en muchas situaciones, hay algunos restos activos o API, como lo llamaríamos, que tienen una biodisponibilidad baja y eso podría deberse a su naturaleza cristalina. Son demasiado estables, |
| demasiado rígidos en sus formas. Entonces, nuestro sitio se especializa en hacer que esta API cristalina sea un poco más soluble, un poco más reactiva. |
| forma amorfa y la convierte en una forma más biodisponible. |
| Y cuando hacemos eso, fortalecemos esta API con un polímero. |
| Este intermedio que formamos es un intermedio de tableta llamado intermedio secado por aspersión, SDI. |
| Y esto es lo que básicamente usamos en nuestras tabletas como nuestro intermediario activo. |
| Pero cuando lo miras, tiene poca capacidad de flujo y es extremadamente esponjoso. Entonces, cuando tenga que incorporar esta API en su tableta, debe tener |
| otros procesos farmacéuticos involucrados para simplificarlo, para que la mezcla sea más fluida. Así que esto es lo que vamos a hacer. |
| En este estudio, vamos a identificar nuestros atributos críticos de calidad, las variables que importan, |
| o nuestras variables dependientes y luego vamos a identificar las variables que impactan nuestros atributos críticos de calidad, |
| cuáles son la composición de esa tableta de esa mezcla y luego diferentes parámetros de procesamiento de proceso que usamos en nosotros en la formación de tabletas. |
| ¿Cuáles de estos son efectos principales? ¿Hay interacciones? Y luego usaremos JMP para identificar todos estos |
| efecto principal y las variables de interacción y tratar de atrapar el proceso de formación de tabletas básicamente. Así que esta fue la introducción. |
| Pasando a los métodos y objetivos. ¿Entonces como hacemos esto? Para este estudio, analizamos una formulación de placebo. No existe un producto activo o una fracción actora y utilizamos un polímero secado por aspersión de uso común que es el succinato de acetato de hipromelosa. |
| Lo secamos por aspersión y lo convertimos en el esponjoso |
| mezcla que suele ser. Y la Figura 2 habla de nuestro proceso habitual de tabulación de granulación. Entonces, lo que hacemos es básicamente mezclar nuestro intermedio secado por aspersión (SDI) junto con otros excipientes usando esta licuadora. |
| Pasamos a la compactación con rodillos, que es la densificación de esta mezcla usando estos rodillos aquí y estos rodillos se mueven lentamente para densificar |
| la mezcla que entra en esta tolva y se obtienen cintas del compactador de rodillos. Ahora, lo que ha hecho es convertir ese material esponjoso en cintas densificadas y lo muele con un molino. y obtienes |
| gránulos Estos gránulos son más densos y fluyen mucho mejor que su API o su SDI. |
| Entonces, al observar todo este proceso, hay muchas variables que intervienen que debe cambiar y tener en cuenta. Entonces, ¿cuáles son esas variables? |
| Este diagrama de aquí identificará diferentes tipos de variables, las variables independientes que intervienen en la formulación y el proceso. entonces |
| La primera variable estaría un poco más relacionada con la formulación básica que... en lugar del proceso. Entonces hablaría de diferentes tipos de ??? excipientes que se utilizan. |
| Y la proporción de estos excipientes que usé es el porcentaje de carga de SDI, o carga activa, y en nuestro caso, la carga de placebo. |
| Y luego el orden de adición y el punto de adición en el que se cargan el SDI u otros excipientes en la formulación. |
| Y luego clasificar los parámetros relacionados con el proceso, como la fracción sólida de la cinta, que básicamente habla de este equipo, el compactador de rodillos y la velocidad a la que se mueven los rodillos y los carretes. |
| También hemos identificado variables independientes de nuestros atributos críticos de calidad que buscamos, que son la densidad aparente de nuestra mezcla, |
| Lo que observamos antes y después de la granulación y lo ha etiquetado como densidad aparente 1 y 2. |
| Relación de Hausner, que nuevamente es una relación que representa el flujo de su mezcla y también identificamos eso antes y después de la granulación, etiquetados como relación de Hausner 1 y 2. |
| Y el porcentaje de finos que se recolectan... se recolectan en el proceso de compactación con rodillos. Y esto generalmente se controla después de la granulación. Así que todos estos puntos para hablar de |
| básicamente nuestro método y por qué elegimos nuestras variables. Lo que hicimos fue tener un diseño personalizado I óptimo de 19 ejecuciones que analizaba todas estas variables independientes que impactaban en las variables dependientes. |
| Y la forma en que analizamos este modelo o la forma en que construimos los efectos, fue que observamos el efecto principal y las interacciones de segundo grado y analizamos los datos utilizando la personalidad de mínimos cuadrados estándar en la función del modelo de ajuste. |
| Entonces, |
| Identificando el proceso y los objetivos, pasaremos a los resultados, pero antes de hacerlo muy rápido, quería mirar la ventana JMP que abrí ahora. |
| Estas diferentes columnas son mis variables independientes y dependientes y voy a resaltar |
| aquí mismo, estas son las diferentes variables independientes que vamos a estar viendo. Entonces, tipo de relleno, que es el tipo de excipiente inerte y hemos analizado el manitol y la lactosa. |
| porcentaje de SDI, que es la carga activa o en nuestro caso de placebo, |
| mirando los altibajos aquí; y cantidad intragranular, por lo que la cantidad de nuestros excipientes que añadimos antes de la compactación con rodillo frente a después de la compactación con rodillo y el esquema aquí son 75 y 95; |
| y manitol y lactosa, que es un relleno para MCC, que es una proporción de celulosa de diseño de microcurso. La lactosa de manitol son, diría un poco más |
| excipiente y MCC es más ???, da más fuerza a la mezcla. Así que hemos analizado una proporción de esto para ver cómo afecta nuestra mezcla de tabletas en general. Y |
| a la derecha están nuestras respuestas. |
| Densidad aparente 1, relación de Hausner 1, que es antes de la granulación. Densidad aparente 2 y relación de Hausner 2, que es después de la granulación y porcentaje de finos. |
| Así que voy a |
| vaya aquí rápidamente a esta ventana y mire cómo creamos nuestro modelo, nuestras variables de respuesta y, de las que acabo de hablar. Y luego nuestros efectos modelo que son |
| interacciones secundarias y efectos principales. Mínimos cuadrados estándar. Eso es lo que usamos y ejecuto el modelo. |
| Este es mi resumen de efectos aquí y en base a estos datos que estamos viendo y la experiencia previa, voy a despegar |
| los dos últimos efectos. |
| Simplemente elimine ese ruido adicional y luego aquí, tengo mis respuestas y cómo los datos afectan estas respuestas. |
| Sería más fácil si bajamos y miramos el generador de perfiles de predicción aquí. |
| Y cómo todas estas variables dependientes se ven afectadas por esto. Así que creo que podría ser más fácil si levanto mi |
| cartel y... |
| Muy bien, mirando los resultados aquí, lo que descubrimos en la Figura 3 fue que, mira, los dos rellenos de lactosa tenían una mayor densidad aparente inicialmente, |
| pero después de la compactación con regla, la densidad aparente de dos de estos rellenos disminuyó y se puede ver un aumento correspondiente en los finos. Entonces, lo que creemos que habría sucedido es que la lactosa es más frágil |
| en comparación con el manitol. Y esto generó todo ese desgaste y esas multas y eso impactó el flujo, haciéndolo menos voluminoso, una caída en la densidad aparente. |
| Y el ratio de Hausner, un poco más alto con la lactosa. Básicamente, lo que estamos haciendo es apuntar a una densidad aparente más alta y queremos un Hausner más bajo porque un Hausner más bajo indica una mezcla que fluye mejor. |
| Entonces, mirando los datos, el manitol tenía una ligera ventaja sobre la lactosa como relleno. Y el segundo punto estaría hablando de la fracción sólida y, en general, vimos que hubo un ligero efecto de estancamiento alrededor de .6 |
| fracción sólida. En general, vemos que .7 tiene la menor cantidad de multas, por lo que vemos un recomendado .7 con un máximo y conveniencia, pero |
| el efecto de meseta en términos de sus propiedades de flujo (a granel y Hausner) comienza a tocar fondo alrededor de .6 y en adelante. |
| que tener un SDI más bajo en general en la formulación tenía mejores propiedades de flujo en general. |
| Solo porque el SDI es esponjoso y hace que la mezcla fluya mucho peor. Entonces, el diseño simplemente nos sugirió tener una carga SDI más baja. |
| una mayor cantidad de ese ingrediente de ese excipiente añadido de forma intragranular |
| que un extragranular, solo porque mejora su volumen, tiene un Hausner más bajo, lo que significa que su mezcla fluye más suavemente. |
| También observamos que la proporción de manitol a lactosa que tenía más de ese componente crítico era más deseable y lo veo porque |
| en general, los finos han disminuido en presencia de tener un poco más del componente manitol lactosa. Y esa podría ser la razón por la que estamos viendo esto. |
| También tenemos en la Figura 4, un par de gráficos de superficie de algunas tendencias interesantes que vi. Y en la Figura 4A, puede ver que tener una carga SDI más baja |
| y tener más cantidad intragranularmente resultó en este punto de acceso aquí de una proporción de Hausner muy alta. Entonces, cuando agrega mucho... cuando tiene un nivel bajo... lo siento... tiene un SDI más alto y |
| mayor intragranular tenía una relación de Hausner extremadamente alta. Entonces, lo que esto dice es básicamente que cuando tienes más de ese material esponjoso intragranularmente, tu flujo va a ser malo, pero correspondes a eso. |
| después de la granulación, cuando nuevamente tiene más de su excipiente intragranularmente y está apuntando a una fracción sólida de |
| alrededor de .6 y alrededor, su densidad aparente mejora. Entonces, básicamente estás después de la granulación, tu mezcla se está volviendo más densa y esto es de lo que hablan estos dos diagramas. Así que todos los puntos de resultados básicamente hablan de estos |
| cosas que discutí en este momento. En general, concluimos de nuestro estudio que para optimizar este proceso y maximizar la deseabilidad de las formulaciones, |
| 1, |
| una proporción más alta intragranularmente y una carga de SDI más baja serían una formulación preferible y apuntar a una fracción sólida de alrededor de 0,6 también sería beneficioso para la formulación. |
| Muchas gracias. Daría la bienvenida a sus preguntas. |
