粉末ブレンドの均一性の評価における機械学習対応NIR分光法：物理的なアーティファクトによって誘発される格差とバイアス

NIR分光法は、ブレンド均一性（BU）評価のための非破壊的特性化ツールです。ただし、パウダーブレンドのNIRスペクトルには、サンプルの物理的および化学的情報が重複することがよくあります。物理的効果に関連する化学的特性に関連する情報をデコンボリットすることは、この作業の主要な目的の1つです。この目的は2つの方法で達成しています。まず、BUの結果に影響を与える可能性のあるさまざまな変動性源を特定しました。第二に、機械学習ベースの洗練されたデータ分析プロセスを活用します。前述の目的を達成するために、アムロジピンのキャリブレーションサンプルは、67〜133％w/w（用量〜3.6％w/w）の濃度を備えた濃度を含む濃度を含む濃度を含む濃度で、励起物を使用して調製し、アムロジピンのキャリブレーションサンプルを使用して調製しました。重量測定アプローチとNIR分光分析を使用して評価され、その後HPLC測定が続きます。NIRの結果のバイアスは、データ品質メトリック（DQM）およびバイアス分散分解（BVD）を採用することにより調査されました。バイアスを克服するために、クラスター化された回帰（ノンパラメトリックおよび線形）が適用されました。ホールドアウトとK倍の内部交差検証（CV）を採用することにより、モデルのパフォーマンスを評価しました。低平均絶対誤差と0.674（平均）±0.218（標準偏差）w/Wの間隔推定値を伴うNIRベースのブレンド均質性が確立されました。さらに、ブートストラップベースのCVは、モデルの一般化可能性とモデル転送可能性について、それぞれBU±3.5％W/WおよびBU±1.5％W/Wの平均絶対誤差（MAE）を実証したNIRメソッドライフサイクル管理の一部として活用されました。機械学習をNIRスペクトル分析に統合するワークフローが確立され、実装されました。NIRスペクトルデータに対するさまざまなデータ学習アプローチの影響。

NIR spectroscopy is a non-destructive characterization tool for the blend uniformity (BU) assessment. However, NIR spectra of powder blends often contain overlapping physical and chemical information of the samples. Deconvoluting the information related to chemical properties from that associated with the physical effects is one of the major objectives of this work. We achieve this aim in two ways. Firstly, we identified various sources of variability that might affect the BU results. Secondly, we leverage the machine learning-based sophisticated data analytics processes. To accomplish the aforementioned objectives, calibration samples of amlodipine as an active pharmaceutical ingredient (API) with the concentrations ranging between 67 and 133% w/w (dose ~ 3.6% w/w), in powder blends containing excipients, were prepared using a gravimetric approach and assessed using NIR spectroscopic analysis, followed by HPLC measurements. The bias in NIR results was investigated by employing data quality metrics (DQM) and bias-variance decomposition (BVD). To overcome the bias, the clustered regression (non-parametric and linear) was applied. We assessed the model's performance by employing the hold-out and k-fold internal cross-validation (CV). NIR-based blend homogeneity with low mean absolute error and an interval estimates of 0.674 (mean) ± 0.218 (standard deviation) w/w was established. Additionally, bootstrapping-based CV was leveraged as part of the NIR method lifecycle management that demonstrated the mean absolute error (MAE) of BU ± 3.5% w/w and BU ± 1.5% w/w for model generalizability and model transferability, respectively. A workflow integrating machine learning to NIR spectral analysis was established and implemented. Impact of various data learning approaches on NIR spectral data.