Machine Learning como estrategia para predecir propiedades reológicas en formulaciones de emulgeles
Cargando...
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
En el diseño de formas farmacéuticas, la adopción de enfoques basados en la Calidad por Diseño (QbD) ha transformado el desarrollo de formulaciones al permitir una comprensión más profunda de los factores críticos que determinan la calidad del producto final. En este contexto, las redes neuronales artificiales (ANN por sus siglas en inglés) se consolidan como herramientas valiosas para predecir y optimizar atributos clave en emulgeles de carbopol, al modelar relaciones no lineales y complejas que superan las capacidades de los métodos estadísticos tradicionales. Esta tecnología respalda la toma de decisiones basada en datos y aumenta la eficiencia de los procesos de formulación.
El presente estudio introduce un enfoque innovador al integrar interacciones multivariables poco exploradas en formulaciones semisólidas (Redes neuronales y QbD), lo que permitió mejorar significativamente la capacidad predictiva del modelo mediante la selección estratégica de variables críticas. En particular, se evaluó la predicción de la concentración de carbopol a partir de la viscosidad, el tiempo y la velocidad de mezcla, obteniendo predicciones robustas con altos coeficientes de correlación.
Los resultados experimentales validaron el modelo mediante su comparación con cuatro formulaciones comerciales, evidenciando una fuerte concordancia entre los valores predichos y los determinados en el laboratorio. Esta validación refuerza la eficacia del enfoque propuesto e ilustra cómo la incorporación de las tres variables clave permite capturar interacciones complejas que influyen en la viscosidad, ampliando así su aplicabilidad en diversas formulaciones semisólidas.
En consecuencia, el aporte farmacéutico de este estudio radica en la optimización del diseño experimental, al reducir el número de ensayos necesarios, y en su potencial de escalabilidad industrial, favoreciendo la transferencia tecnológica y el desarrollo de productos más eficientes. Los hallazgos demuestran que el modelo es altamente confiable para sistemas con viscosidades superiores a 50.000 Pa·s, lo que resalta su potencial para mejorar los procesos de formulación dentro del sector farmacéutico.
Descripción
Abstract
In the design of pharmaceutical forms, the adoption of Quality by Design (QbD) approaches has transformed formulation development by enabling a deeper understanding of the critical factors that determine the quality of the final product. In this context, artificial neural networks (ANNs) have established themselves as valuable tools for predicting and optimizing key attributes in carbopol emulgels by modeling nonlinear and complex relationships that exceed the capabilities of traditional statistical methods. This technology supports data-driven decision-making and increases the efficiency of formulation processes.
This study introduces an innovative approach by integrating little-explored multivariable interactions into semi-solid formulations (neural networks and QbD), which significantly improved the predictive capacity of the model through the strategic selection of critical variables. In particular, the prediction of carbopol concentration based on viscosity, mixing time, and mixing speed was evaluated, yielding robust predictions with high correlation coefficients.
The experimental results validated the model by comparing it with four commercial formulations, showing a strong agreement between the predicted values and those determined in the laboratory. This validation reinforces the effectiveness of the proposed approach and illustrates how the incorporation of the three key variables allows complex interactions that influence viscosity to be captured, thus broadening its applicability in various semi-solid formulations.
Consequently, the pharmaceutical contribution of this study lies in the optimization of experimental design, by reducing the number of trials required, and in its potential for industrial scalability, promoting technology transfer and the development of more efficient products. The findings demonstrate that the model is highly reliable for systems with viscosities greater than 50,000 Pa·s, highlighting its potential to improve formulation processes within the pharmaceutical sector.
Palabras clave
Redes Neuronales Artificiales, QbD, Emulgeles, IA, Optimización de formulaciones