Altoparlante | Trascrizione |
| Pranjal Taskar | Va bene. Grazie, Pietro. Quindi ho intenzione di iniziare ora. Ciao a tutti. Oggi parlerò del mio poster. Questo poster riguarda l'analisi sistematica del targeting, che include l'effetto della formulazione e le variabili di processo sugli attributi di qualità finale del mio prodotto. |
| Quindi, approfondendo tutte le analisi statistiche precedenti, volevo dare un'idea di cosa stiamo parlando esattamente. Cos'è il tablet? La pastigliatura è un processo farmaceutico. |
| Esaminando l'introduzione, parlerò un po' di cos'è il tablet. È un processo farmaceutico in cui il tuo ingrediente attivo o frazione attiva (API) |
| viene miscelato con altri eccipienti per formare una miscela fluida e fluida e questa miscela viene compressa nella nostra forma di dosaggio finale, che è una compressa. |
| Quindi, in molte situazioni, ci sono alcune frazioni attive o API, come le chiameremmo noi, che hanno una bassa biodisponibilità e ciò potrebbe essere dovuto alla loro natura cristallina. Sono semplicemente troppo stabili, |
| troppo rigidi nei loro modi. Quindi il nostro sito è specializzato nel rendere questa API cristallina, un po' più solubile, un po' più reattiva |
| forma amorfa e lo trasforma in una forma più biodisponibile. |
| E quando lo facciamo, abbiamo rafforzato questa API con un polimero. |
| Questo intermedio che formiamo è un intermedio in compresse chiamato intermedio essiccato a spruzzo, SDI. |
| E questo è ciò che fondamentalmente usiamo nelle nostre compresse come nostro intermedio attivo. |
| Ma quando lo guardi, ha una scarsa capacità di flusso ed è estremamente soffice. Quindi, quando devi incorporare questa API nel tuo tablet, devi avere |
| altri processi farmaceutici coinvolti per renderlo più snello, per rendere la miscela più fluida. Quindi questo è quello che faremo. |
| In questo studio, identificheremo i nostri attributi critici di qualità, le variabili che contano, |
| o le nostre variabili dipendenti e quindi identificheremo le variabili che incidono sui nostri attributi critici di qualità, |
| che sono la composizione di quella tavoletta di quella miscela e quindi diversi parametri di elaborazione del processo che abbiamo utilizzato in noi nella pastigliatura. |
| Quali di questi sono gli effetti principali? Ci sono interazioni? E poi useremo JMP per identificare tutti questi |
| l'effetto principale e le variabili di interazione e cercare di capire fondamentalmente il processo di creazione di compresse. Quindi questa è stata l'introduzione. |
| Passiamo ai metodi e agli obiettivi. Allora come lo facciamo? Per questo studio abbiamo esaminato una formulazione placebo. Non esiste un prodotto attivo o una porzione di attore e abbiamo usato un polimero essiccato a spruzzo comunemente usato che è ipromellosa acetato succinato. |
| L'abbiamo asciugato a spruzzo e l'abbiamo reso soffice |
| miscela che di solito è. E la Figura 2 parla del nostro solito processo di tabulazione della granulazione. Quindi, quello che facciamo è fondamentalmente miscelare il nostro intermedio essiccato a spruzzo (SDI) insieme ad altri eccipienti usando questo frullatore. |
| Passiamo alla compattazione a rulli, che è l'addensamento di questa miscela usando questi rulli proprio qui e questi rulli si muovono lentamente per addensare |
| la miscela che va in questa tramoggia e si ottengono nastri dal rullo compattatore. Ora quello che hai fatto è aver trasformato quel materiale soffice in nastri addensati e lo hai macinato usando un comil. E ottieni |
| granuli. Questi granuli sono più densi e scorrono molto meglio della tua API o della tua SDI. |
| Quindi, guardando l'intero processo, ci sono molte variabili che vanno lì dentro che devi cambiare e cercare. Quindi quali sono queste variabili? |
| Questo diagramma qui identificherà diversi tipi di variabili, le variabili variabili indipendenti che entrano nella formulazione e nel processo. COSÌ |
| La prima variabile sarebbe un po' più correlata alla formulazione di base rispetto a... piuttosto che al processo. Quindi parlerebbe di diversi tipi di ??? eccipienti utilizzati. |
| E il rapporto di questi eccipienti che ho utilizzato è la percentuale di caricamento SDI, o caricamento attivo, e nel nostro caso, il caricamento del placebo. |
| E poi l'ordine di aggiunta e il punto di aggiunta in cui la SDI o altri eccipienti vengono caricati nella formulazione. |
| E poi parametri relativi al processo di smistamento come la frazione solida del nastro, che sostanzialmente parla di questa apparecchiatura, del rullo compattatore e della velocità con cui si muovono i rulli e le bobine. |
| Abbiamo anche identificato variabili indipendenti dei nostri attributi di qualità critici che cerchiamo, che è la densità apparente della nostra miscela, |
| Che esaminiamo prima e dopo la granulazione e tu l'hai etichettata densità apparente 1 e 2. |
| Rapporto Hausner, che è di nuovo un rapporto che rappresenta il flusso della tua miscela e lo identifichiamo anche prima e dopo la granulazione, etichettato come rapporto Hausner 1 e 2. |
| E la percentuale di multe che si raccolgono... viene raccolta nel processo di compattazione a rulli. E questo di solito viene monitorato dopo la granulazione. Quindi tutti questi punti di cui parlare |
| fondamentalmente il nostro metodo e perché abbiamo scelto le nostre variabili. Quello che abbiamo fatto è stato un design personalizzato I ottimale di 19 run che esaminava tutte queste variabili indipendenti che influivano sulle variabili dipendenti. |
| E il modo in cui analizziamo questo modello o il modo in cui abbiamo costruito gli effetti, è stato che abbiamo esaminato l'effetto principale e le interazioni di secondo grado e abbiamo analizzato i dati utilizzando la personalità dei minimi quadrati standard nella funzione del modello di adattamento. |
| COSÌ, |
| Identificando il processo e gli obiettivi, passeremo ai risultati, ma prima di farlo molto rapidamente, ho voluto dare un'occhiata alla finestra di JMP che ho visualizzato proprio ora. |
| Queste diverse colonne sono le mie variabili indipendenti e dipendenti e le evidenzierò |
| proprio qui, queste sono le diverse variabili indipendenti che esamineremo. Quindi tipo di riempitivo, che è il tipo di eccipiente inerte e abbiamo esaminato il mannitolo e il lattosio. |
| percentuale SDI, che è il carico attivo o nel nostro caso placebo, |
| guardando alti e bassi qui; e quantità intragranulare, quindi la quantità dei nostri eccipienti che aggiungiamo prima della compattazione a rullo rispetto a dopo la compattazione a rullo e il contorno qui sono 75 e 95; |
| e mannitolo e lattosio, che è un riempitivo per MCC, che è il rapporto di cellulosa di micro corso. Mannitolo lattosio sono, direi un po' di più |
| eccipiente e MCC è più ???, dà più forza alla miscela. Quindi abbiamo esaminato un rapporto di questo per vedere come influisce sulla nostra miscela di compresse in generale. E |
| a destra le nostre risposte. |
| Densità apparente 1, rapporto Hausner 1, che è prima della granulazione. Densità apparente 2 e rapporto Hausner 2, che è dopo la granulazione e la percentuale di fini. |
| Quindi lo farò |
| vai qui velocemente in questa finestra e guarda come abbiamo creato il nostro modello, le nostre variabili di risposta y, di cui ho appena parlato. E poi i nostri effetti del modello che sono |
| interazioni secondarie ed effetti principali. Minimi quadrati standard. Questo è quello che abbiamo usato e io eseguo il modello. |
| Questo è il mio riepilogo degli effetti proprio qui e sulla base di questi dati che stiamo esaminando e dell'esperienza precedente, decollerò |
| gli ultimi due effetti. |
| Basta rimuovere quel rumore in più e poi qui, ho le mie risposte e come i dati influiscono su queste risposte. |
| Sarebbe solo più facile se andassimo giù e guardassimo il profiler delle previsioni qui. |
| E come tutte queste variabili dipendenti sono influenzate da questo. Quindi penso che potrebbe essere più facile se tiro su il mio |
| locandina e... |
| Va bene, quindi guardando i risultati qui, quello che abbiamo scoperto dalla figura 3 è che, guarda, i due filler lattosio avevano inizialmente una densità apparente maggiore, |
| ma dopo la compattazione del righello, la densità apparente di due di questi riempitivi è diminuita e si può vedere un corrispondente aumento dei fini. Quindi quello che pensiamo sarebbe successo è che il lattosio è più fragile |
| rispetto al mannitolo. E questo ha generato tutto quell'attrito e quelle multe e che hanno influito sul flusso, rendendolo meno ingombrante, calo della densità apparente. |
| E il rapporto Hausner, un po' più alto con il lattosio. Quindi, in sostanza, quello che stiamo facendo è mirare a una densità apparente più elevata e vogliamo un Hausner inferiore perché un Hausner inferiore indica una miscela più fluida. |
| Quindi, guardando i dati, il mannitolo aveva un leggero vantaggio rispetto al lattosio come riempitivo. E il secondo punto parlerebbe della frazione solida e nel complesso abbiamo visto che c'era un leggero effetto di plateau intorno a 0,6 |
| frazione solida. Complessivamente, vediamo che 0,7 ha il minor numero di multe, motivo per cui vediamo uno 0,7 consigliato con un massimo e desiderabilità, ma |
| l'effetto plateau in termini di proprietà del flusso (bulk e Hausner) inizia a toccare il fondo intorno a 0,6 e oltre. |
| che avere un SDI inferiore in generale nella formulazione aveva proprietà di flusso complessivamente migliori. |
| Solo perché l'SDI è soffice e fa sì che la miscela scorra molto peggio. Quindi il design ci ha appena suggerito di avere un carico SDI inferiore. |
| una quantità maggiore di quell'ingrediente di quell'eccipiente aggiunto in modo intragranulare |
| rispetto a un extragranulare, proprio perché migliora la tua massa, ha un Hausner inferiore, il che significa che la tua miscela scorre più liscia. |
| Abbiamo anche osservato che il rapporto tra mannitolo e lattosio con più di quel componente critico era più desiderabile e lo vedo perché |
| complessivamente le multe sono diminuite in presenza di un po' più della componente mannitolo-lattosio. E questo potrebbe essere il motivo per cui lo stiamo vedendo. |
| Abbiamo anche nella Figura 4, un paio di grafici di superficie di alcune tendenze interessanti che ho visto. E nella Figura 4A, puoi vedere che avere un carico SDI inferiore |
| e avere più quantità intragranulare ha portato a questo hotspot proprio qui con un rapporto Hausner molto alto. Quindi, quando aggiungi molto... quando hai un basso... mi dispiace... hai un SDI più alto e |
| intragranulare superiore aveva un rapporto di Hausner estremamente elevato. Quindi ciò che questo dice è fondamentalmente quando hai più di quel materiale soffice intragranulare, il tuo flusso sarà cattivo, ma corrispondi che |
| dopo la granulazione, quando hai di nuovo più del tuo eccipiente intragranulare e stai prendendo di mira una solida frazione di |
| circa 0,6 e circa, la densità apparente migliora. Quindi sei praticamente dopo la granulazione, la tua miscela sta diventando più densa e questo è ciò di cui parlano questi due diagrammi. Quindi tutti i punti dei risultati fondamentalmente parlano di questi |
| cose di cui ho discusso in questo momento. Nel complesso, concludiamo dal nostro studio che al fine di ottimizzare questo processo e massimizzare la desiderabilità delle formulazioni, |
| 1, |
| un rapporto intragranulare più elevato e un carico SDI inferiore sarebbero una formulazione preferibile e anche il targeting di una frazione solida di circa 0,6 sarebbe vantaggioso per la formulazione. |
| Grazie mille. Gradirei le tue domande. |
