| Vocero |
Transcripción |
| Pranjal Taskar |
Muy bien. Gracias, Peter. Voy a empezar. Hola a todos. Hoy voy a hablar sobre mi póster. Este póster trata sobre el análisis sistemático de la segmentación, que incluye el efecto de las variables de formulación y proceso en los atributos de calidad final de mi producto. |
| |
Así pues, tras analizar estadísticamente todo esto, quería dar un contexto sobre de qué estamos hablando exactamente. ¿Qué es la compresión en tabletas? La compresión en tabletas es un proceso farmacéutico. |
| |
En la introducción, hablaré brevemente sobre qué es la compresión en tabletas. Es un proceso farmacéutico en el que el ingrediente activo o fracción activa (API) |
| |
se mezcla con otros excipientes para formar una mezcla fluida y de buena fluidez, y esta mezcla se comprime para obtener nuestra forma farmacéutica final, que es una tableta. |
| |
En muchas situaciones, existen algunos componentes activos o API, como los denominamos, que presentan una baja biodisponibilidad, lo cual podría deberse a su naturaleza cristalina. Simplemente son demasiado estables. |
| |
Demasiado rígidos en sus métodos. Por eso, 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 al hacerlo, reforzamos esta API con un polímero. |
| |
Este intermedio que formamos es un intermedio para tabletas llamado intermedio secado por aspersión, SDI. |
| |
Y esto es básicamente lo que utilizamos en nuestras tabletas como intermediario activo. |
| |
Pero al analizarlo, se observa que tiene una fluidez deficiente y es extremadamente esponjoso. Por lo tanto, al incorporar esta API en tu tableta, necesitas tener |
| |
Otros procesos farmacéuticos están involucrados para agilizar el proceso y lograr una mezcla 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 influyen en nuestros atributos críticos de calidad, |
| |
que son la composición de esa tableta de esa mezcla y luego los diferentes parámetros de procesamiento que utilizamos en la fabricación de tabletas. |
| |
¿Cuáles de estos son efectos principales? ¿Existen interacciones? Luego utilizaremos JMP para identificarlos todos. |
| |
El objetivo era analizar las variables de efecto principal e interacción, y comprender el proceso de tableteado. Esta fue la introducción. |
| |
Pasemos ahora a los métodos y objetivos. ¿Cómo lo haremos? Para este estudio, analizamos una formulación placebo. No contiene ningún producto activo ni componente activo, y utilizamos un polímero de secado por pulverización de uso común: el acetato succinato de hipromelosa. |
| |
Lo secamos con spray y lo convertimos en una textura esponjosa. |
| |
La mezcla es la que suele ser. La Figura 2 muestra nuestro proceso habitual de granulación y tabulación. Básicamente, lo que hacemos es mezclar nuestro intermedio secado por atomización (SDI) con otros excipientes utilizando esta mezcladora. |
| |
Pasamos a la compactación con rodillos, que consiste en la densificación de esta mezcla utilizando estos rodillos que hay aquí y que se mueven lentamente para densificar. |
| |
La mezcla entra en esta tolva y se obtienen cintas al pasar por la compactadora de rodillos. Lo que has hecho es convertir ese material esponjoso en cintas densas y molerlo con una trituradora. Y obtienes |
| |
gránulos. Estos gránulos son más densos y fluyen mucho mejor que su API o su SDI. |
| |
Analizando todo este proceso, vemos que hay muchas variables que influyen y que debemos modificar y tener en cuenta. ¿Cuáles son esas variables? |
| |
Este diagrama de aquí identificará diferentes tipos de variables, las variables independientes que intervienen en la formulación y el proceso. |
| |
La primera variable estaría más relacionada con la formulación base que con el proceso en sí. Por lo tanto, hablaría de los diferentes tipos de excipientes que se utilizan. |
| |
Y la proporción de estos excipientes que utilicé con respecto al 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 el SDI u otros excipientes se cargan en la formulación. |
| |
Y luego, los parámetros relacionados con el proceso de clasificación, como la fracción sólida de la cinta, que básicamente se refiere a este equipo, al compactador de rodillos y a la velocidad a la que se mueven los rodillos y los carretes. |
| |
También hemos identificado variables independientes de nuestros atributos de calidad críticos que vigilamos, como la densidad aparente de nuestra mezcla. |
| |
La cual observamos antes y después de la granulación y usted la ha etiquetado como densidad aparente 1 y 2. |
| |
La relación de Hausner, que nuevamente es una relación que describe el flujo de su mezcla y también identificamos que antes y después de la granulación, se denominan 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 se suele controlar después de la granulación. Así que todos estos puntos son para hablar de |
| |
Básicamente, este es nuestro método y la razón por la que elegimos nuestras variables. Lo que hicimos fue realizar un diseño personalizado óptimo de 19 ejecuciones, analizando todas estas variables independientes y su impacto 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 el método estándar de mínimos cuadrados en la función de ajuste del modelo. |
| |
Entonces, |
| |
Una vez identificados el proceso y los objetivos, pasaremos a los resultados, pero antes de hacerlo rápidamente, quería echar un vistazo a la ventana de JMP que tengo abierta ahora mismo. |
| |
Estas diferentes columnas son mis variables independientes y dependientes, y voy a resaltarlas. |
| |
Aquí están las diferentes variables independientes que vamos a analizar. Por ejemplo, el tipo de relleno, que es el tipo de excipiente inerte; ya hemos analizado el manitol y la lactosa. |
| |
porcentaje SDI, que es la carga activa o, en nuestro caso, placebo, |
| |
Analizando los máximos y mínimos aquí; y la cantidad intragranular, es decir, la cantidad de nuestros excipientes que agregamos antes de la compactación por rodillos versus después de la compactación por rodillos y el contorno aquí son 75 y 95; |
| |
y manitol y lactosa, que es un relleno para la celulosa microcristalina (MCC), que es la proporción de celulosa microgranular. El manitol y la lactosa son, diría yo, un poco más |
| |
El excipiente y la celulosa microcristalina (MCC) en mayor proporción aportan mayor resistencia a la mezcla. Por ello, hemos analizado la proporción de estos componentes para observar su impacto en la mezcla de compresión general. |
| |
A la derecha están nuestras respuestas. |
| |
Densidad aparente 1, índice de Hausner 1 (antes de la granulación). Densidad aparente 2 e índice de Hausner 2 (después de la granulación), y porcentaje de finos. |
| |
Así que voy a |
| |
Ve rápidamente a esta ventana y observa cómo creamos nuestro modelo, nuestras variables de respuesta y, de las que acabo de hablar. Y luego nuestros efectos del modelo, que son |
| |
Interacciones secundarias y efectos principales. Mínimos cuadrados estándar. Eso es lo que usamos y yo ejecuté el modelo. |
| |
Este es mi resumen de efectos y, basándome en estos datos que estamos viendo y en la experiencia previa, voy a despegar. |
| |
los dos últimos efectos. |
| |
Simplemente elimina ese ruido adicional y aquí tengo mis respuestas y cómo los datos influyen en ellas. |
| |
Sería mucho más fácil si bajáramos y miráramos el perfilador de predicciones de aquí. |
| |
Y cómo todas estas variables dependientes se ven afectadas por esto. Así que creo que sería más fácil si consulto mi |
| |
póster y... |
| |
Bien, observando los resultados aquí, lo que descubrimos en la Figura 3 fue que, como pueden ver, los dos rellenos, la lactosa, tenían inicialmente una mayor densidad aparente, |
| |
Sin embargo, tras la compactación con regla, la densidad aparente de dos de estos rellenos disminuyó y se observa un aumento correspondiente en las partículas finas. Por lo tanto, creemos que lo que habría sucedido es que la lactosa se volvió más quebradiza. |
| |
en comparación con el manitol. Y esto generó toda esa abrasión y esas partículas finas, lo que afectó el flujo, reduciendo su volumen y disminuyendo la densidad aparente. |
| |
Y el índice de Hausner, un poco más alto con la lactosa. Básicamente, lo que buscamos es una mayor densidad aparente y un índice de Hausner más bajo, ya que un índice de Hausner más bajo indica una mezcla con mejor fluidez. |
| |
Según los datos, el manitol presentó una ligera ventaja sobre la lactosa como agente de relleno. En segundo lugar, en cuanto a la fracción sólida, se observó un ligero efecto de estabilización en torno al 0,6%. |
| |
fracción sólida. En general, observamos que 0,7 tiene la menor cantidad de finos, por lo que vemos un valor recomendado de 0,7 con un máximo y una conveniencia óptimos, pero |
| |
El efecto meseta en términos de sus propiedades de flujo (volumen y Hausner) comienza a tocar fondo alrededor de 0,6 y en adelante. |
| |
que un SDI generalmente más bajo en la formulación daba como resultado mejores propiedades de flujo en general. |
| |
El problema con la SDI es que es espesa y dificulta la fluidez de la mezcla. Por eso, el diseño nos sugirió reducir la carga de SDI. |
| |
una mayor cantidad de ese ingrediente de ese excipiente añadido de forma intragranular |
| |
que un extragranular, simplemente porque mejora el volumen, tiene un índice Hausner más bajo, lo que significa que la mezcla fluye con mayor suavidad. |
| |
También observamos que una proporción de manitol a lactosa con mayor contenido de ese componente crítico era más deseable, y lo veo porque |
| |
En general, las multas han disminuido al contener una mayor cantidad del componente de lactosa de manitol. Y esa podría ser la razón de este fenómeno. |
| |
En la Figura 4 también se muestran un par de gráficos de superficie con algunas tendencias interesantes que observé. En la Figura 4A se puede apreciar que una menor carga SDI |
| |
y tener una mayor cantidad intragranular resultó en este punto caliente aquí con una relación de Hausner muy alta. Entonces, cuando agregas mucho de... cuando tienes un bajo... lo siento... tienes un SDI más alto y |
| |
La mayor cantidad de material intragranular se asoció con una relación de Hausner extremadamente alta. Esto significa que, básicamente, cuando hay más material esponjoso intragranularmente, el flujo se verá afectado negativamente, pero esto se correlaciona con que... |
| |
después de la granulación, cuando tienes más excipiente intragranularmente y buscas una fracción sólida de |
| |
Alrededor de 0.6, la densidad aparente mejora. Básicamente, después de la granulación, la mezcla se vuelve más densa, y esto es lo que ilustran estos dos diagramas. Todos los puntos de resultados se refieren a esto. |
| |
Los temas que acabo de tratar. En resumen, nuestro estudio concluye que, para optimizar este proceso y maximizar la conveniencia de las formulaciones, |
| |
1, |
| |
Una mayor proporción intragranular y una menor carga de SDI serían una formulación preferible y apuntar a una fracción sólida de alrededor de 0,6 también sería beneficioso para la formulación. |
| |
Muchas gracias. Estaré encantado de responder a sus preguntas. |
