Upload
tranlien
View
217
Download
0
Embed Size (px)
Citation preview
Universidade Federal do Rio Grande do Norte
Centro de Ciências da Saúde
Programa de Pós-Graduação em Desenvolvimento e Inovação Tecnológica em
Medicamentos
MARCELO VÍTOR DE PAIVA AMORIM
APLICAÇÃO DO INFRAVERMELHO PRÓXIMO ALIADA À CALIBRAÇÃO
MULTIVARIADA PARA CONSTRUÇÃO DA TECNOLOGIA ANALÍTICA EM
PROCESSO NA PRODUÇÃO DA OLANZAPINA COMPRIMIDOS
REVESTIDOS
NATAL – RN
2018
MARCELO VÍTOR DE PAIVA AMORIM
APLICAÇÃO DO INFRAVERMELHO PRÓXIMO ALIADA À CALIBRAÇÃO
MULTIVARIADA PARA CONSTRUÇÃO DA TECNOLOGIA ANALÍTICA EM
PROCESSO NA PRODUÇÃO DA OLANZAPINA COMPRIMIDOS REVESTIDOS
Tese de Doutorado apresentada ao Programa
de Pós-Graduação em Desenvolvimento e
Inovação Tecnológica em Medicamentos da
Universidade Federal do Rio Grande do Norte
(PPgDITM/UFRN), como requisito para a
obtenção do título de Doutor em
Desenvolvimento e Inovação Tecnológica em
Medicamentos
ORIENTADOR: PROF. DR. CICERO FLÁVIO SOARES ARAGÃO (UFRN)
CO-ORIENTADOR: PROF. DR. KÁSSIO MICHEL GOMES DE LIMA (UFRN)
NATAL – RN
2018
AGRADECIMENTOS
Especialmente à Deus, por ter me concedido a graça da vida e a oportunidade de
concretizar mais um objetivo em minha vida.
Aos professores do Programa de Pós-graduação em Desenvolvimento e Inovação
Tecnológica em Medicamentos, de fundamental importância para minha formação,
especialmente ao meu orientador Prof. Dr. Cícero Flávio Soares Aragão e ao meu co-
orientador Prof. Dr. Kássio Michell Gomes de Lima, por toda orientação, apoio e
ensinamentos fundamentais. Vocês contribuíram intensamente para a formação do meu
conhecimento. Muito obrigado!
À Fernanda Saadna pela imensa ajuda e colaboração para a realização desse
trabalho. Você foi extremamente essencial. Meu muito obrigado!
Aos colegas do laboratório de Controle de Qualidade do NUPLAM, Ana Angélica,
Josinalva, Rafael, Rosimeire, Bruno, Raiza, Brunna, Lena, Paula Francinete, Paula Jussara,
Marcos, Isabel pela amizade, ajuda e apoio durante a realização deste trabalho.
Aos colegas de trabalho do NUPLAM, que me apoiaram e me deram palavras de
incentivo. Em especial ao Prof. Carlos Lima, Profa. Lourena Mafra Veríssimo e Andreza
Azevedo pela amizade, incentivo, força e motivação, além de ter cedido às instalações do
laboratório e o apoio para a realização deste trabalho.
Gostaria de agradecer em especial aos meus colegas de laboratório do LCQMed,
Profa. Dra. Ana Paula, Prof. Dr. Fernando Henrique, Prof. Dr. Lilian Solon, Thereza,
Dayanne e Regina pelo apoio, amizade e troca de experiências.
Aos meus amigos Bruno Gazola, Juliana Fernandes, Leonardo de Quadros, Rafaela
Santos, Fabrícia Lima, Jessica Fonseca, Bruno Rafael, Waldemar Alves e Cintia Glasner
pelo amor, apoio, companheirismo, amizade e todas as experiências que ajudaram a
construir esse caminho.
À minha querida família, pessoas maravilhosas que me acompanharam sempre e me
apoiaram. Em especial aos meus pais João Batista e Juliene, meu alicerce e minha vida, e
aos meus irmãos Janaina e Leonardo, que sempre me apoiaram durante toda a minha
caminhada. Obrigado por todo carinho e amor, pelo incentivo para não desistir e seguir
sempre em frente. O otimismo de vocês me deu forças e me motivou a continuar sempre!
Obrigado, amo vocês.
E a todos aqui não citados, que de alguma forma contribuíram com uma parcela
especial para a realização deste trabalho.
PREFÁCIO
Esta tese de doutorado aborda a utilização da técnica do infravermelho próximo
combinado com métodos de calibração multivariada na construção da Tecnologia Analítica
em Processo da produção de Olanzapina comprimidos revestidos. Na introdução são
apresentados os conceitos e justificativas do presente trabalho, logo em seguida, na
fundamentação teórica, estão apresentadas as teorias, as quais constituíram o
embasamento deste estudo, desde os aspectos teóricos sobre o fármaco, métodos
cromatográficos voltados à avaliação da qualidade, processos analíticos tecnológicos e a
aplicação da calibração multivariada em conjunto com o infravermelho próximo. Logo após,
são apresentados os objetivos do presente estudo. A metodologia, juntamente com os
resultados e discussão, apresentam-se divididos em 3 capítulos, de acordo com a
descrição a seguir: O primeiro apresenta a construção do modelo de calibração
multivariado, obtida pela análise dos espectros de infravermelho próximo em formas
farmacêuticas contendo Olanzapina e os excipientes. No segundo foram construídas as
cartas de controle multivariadas para monitoramento da Olanzapina comprimidos revestidos,
como forma de aprimorar o controle em processo – etapa prévia para a construção da
Tecnologia Analítica em Processo. Já no terceiro são apresentados os resultados obtidos a
partir da calibração multivariada, aliada ao infravermelho próximo, para a análise do
conteúdo de água nos comprimidos de Olanzapina revestidos, em comparação ao método
de referência - Karl Fischer. Por fim, são apresentadas as conclusões, as referências, com
toda a bibliografia utilizada neste trabalho, bem como os anexos.
SUMÁRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE EQUAÇÕES
LISTA DE ABREVIATURAS, SIGLAS E SÍMBOLOS
RESUMO
ABSTRACT
1. INTRODUÇÃO ................................................................................................................ 19
2. FUNDAMENTOS TEÓRICOS ......................................................................................... 21
2.1. Tecnologia de Processos Analíticos - PAT ............................................................... 21
2.2. Infravermelho próximo (NIR) .................................................................................... 26
2.5. Olanzapina ............................................................................................................... 46
2.5.3. Mecanismo de ação ........................................................................................... 49
2.5.4. Farmacocinética ................................................................................................ 50
2.6. Métodos de Cromatografia Líquida ........................................................................... 51
3. OBJETIVOS .................................................................................................................... 52
3.1 OBJETIVO GERAL .................................................................................................... 52
3.2 OBJETIVOS ESPECÍFICOS .................................................................................... 52
Capítulo 1 – DETERMINAÇÃO DO TEOR DE OLANZAPINA EM FORMAS
FARMACÊUTICAS ATRAVÉS DA TÉCNICA DO INFRAVERMELHO PRÓXIMO E
CALIBRAÇÃO MULTIVARIADA ......................................................................................... 55
1. INTRODUÇÃO.............................................................................................................. 55
2. OBJETIVOS ................................................................................................................. 63
3. MATERIAIS E MÉTODOS ............................................................................................ 63
3.1. Materiais .................................................................................................................... 63
3.1.1. Matéria-prima, solventes e outros materiais ........................................................ 63
3.1.2. Equipamentos e materiais de laboratório ............................................................ 64
3.2. Métodos ................................................................................................................... 65
3.2.1. Preparo das amostras e delineamento experimental .......................................... 65
3.2.2. Espectroscopia no Infravermelho Próximo .......................................................... 66
3.2.3. Análise Cromatográfica ....................................................................................... 67
3.2.4. Procedimentos quimiométricos e Software ........................................................ 67
4. RESULTADOS E DISCUSSÃO .................................................................................... 71
5. CONCLUSÃO DO CAPÍTULO 1 ................................................................................... 77
Capítulo 2 – CONSTRUÇÃO DE CARTAS CONTROLES PARA MONITORAMENTO DA
QUALIDADE DE OLANZAPINA COMPRIMIDOS REVESTIDOS UTILIZANDO COMO
FERRAMENTA ANALÍTICA A ESPECTROSCOPIA NO INFRAVERMELHO PRÓXIMO:
PRIMEIRA ETAPA PARA CONSTRUÇÃO DA TECNOLOGIA ANALÍTICA EM PROCESSO79
1. INTRODUÇÃO.............................................................................................................. 79
2. OBJETIVOS ................................................................................................................. 83
3. MATERIAIS E MÉTODOS ............................................................................................ 83
3.1. Materiais .................................................................................................................... 83
3.1.1. Matéria-prima, solventes e outros materiais ........................................................ 83
3.1.2. Equipamentos e materiais de laboratório ............................................................ 84
3.2. Métodos .................................................................................................................... 85
3.2.1. Preparo das amostras e delineamento experimental .......................................... 85
3.2.2. Espectroscopia no Infravermelho Próximo .......................................................... 87
3.2.3. Análise Cromatográfica ....................................................................................... 87
3.3. Cartas de Controle multivariadas .............................................................................. 87
3.3.1. Sinal Analítico Líquido (NAS) ............................................................................. 87
4. RESULTADOS E DISCUSSÃO .................................................................................... 91
5. CONCLUSÃO DO CAPÍTULO 2 ................................................................................... 98
Capítulo 3 – DETERMINAÇÃO DO CONTEÚDO DE ÁGUA EM GRANULADOS DE
OLANZAPINA PARA PRODUÇÃO DE COMPRIMIDOS REVESTIDOS .......................... 101
1. INTRODUÇÃO............................................................................................................ 101
2. OBJETIVOS ............................................................................................................... 103
3. MATERIAIS E MÉTODOS ............................................................................................. 104
3.1. Materiais .................................................................................................................. 104
3.1.1. Matéria-prima, solventes e outros materiais ...................................................... 104
3.1.2. Equipamentos e materiais de laboratório .......................................................... 104
3.2. Métodos .................................................................................................................. 104
3.2.1. Preparo das amostras e delineamento experimental ........................................ 104
3.2.2. Espectroscopia no Infravermelho Próximo ........................................................ 105
3.2.3. Análise do conteúdo de água por Karl Fischer .................................................. 105
3.2.4. Construção do modelo de calibração multivariado ............................................ 106
4. RESULTADOS E DISCUSSÃO .................................................................................. 107
4.1. Relação entre os dados de NIR e KF ...................................................................... 107
5. CONCLUSÃO DO CAPÍTULO 3 ................................................................................. 114
CONCLUSÕES ................................................................................................................. 115
REFERÊNCIAS ................................................................................................................. 118
ANEXOS
Anexo 01 – Artigo publicado
Anexo 02 – Artigo submetido
LISTA DE FIGURAS
Figura 1. Aplicação da PAT com o NIR na indústria alimentícia ........................................... 23
Figura 2. Aplicação da PAT com o NIR na tampa do misturador BIN - Teste de
homogeneidade. .................................................................................................................. 23
Figura 3. Técnicas analíticas empregadas em processos farmacêuticos – PAT. ................. 25
Figura 4. Espectro eletromagnético. NIR (~780 a 2500nm) ................................................. 26
Figura 5. Fluxograma para escolha do método de calibração multivariado .......................... 36
Figura 6. Decomposição da matriz X nas matrizes de escores (T), pesos (P) e resíduos (E).
............................................................................................................................................ 37
Figura 7. Representação geométrica do PLS com uma variável latente modelando os dados
de X (variáveis independentes) e Y (variáveis dependentes). Os dados X formados por três
variáveis e dados de Y por duas variáveis. .......................................................................... 38
Figura 8. Representação da divisão do espectro (r) em quatro diferentes partes: r┴
(NAS+resíduos), NAS (rk*), resíduos (rres) e interferentes (rint) ............................................. 41
Figura 9. Estrutura molecular da Olanzapina ....................................................................... 47
Figura 10. Estrutura molecular da [5-metil-2-((2-nitrofenill)amino)-3-tiofenocarbonitrila
Olanzapina Composto Relacionado A ................................................................................. 47
Figura 11. Estrutura molecular da [2-metil-10H-tieno-[2,3-b][1,5] benzodiazepina-4[5H]-one]
Olanzapina Composto Relacionado B ................................................................................. 48
Figura 12. Estrutura molecular da [(2-metil-4-(4-metilpiperazina-1-il)-10H-benzo[b]tieno[2,3-
e][1,4]diazepina 4’-N-oxido] ................................................................................................. 48
Figura 13. Comparação entre espectros NIR sem tratamento (esquerda) e após Suavização
Savitzky-Golay (direita) ........................................................................................................ 58
Figura 14. Comparação entre espectros NIR sem tratamento (esquerda) e após MSC
(direita) ................................................................................................................................ 59
Figura 15. Comparação entre espectros NIR sem tratamento (esquerda) e após Derivada de
primeira ordem Savitzky-Golay (direita) ............................................................................... 60
Figura 16. Comparação entre espectros NIR sem tratamento (esquerda) e após STD
(direita) ................................................................................................................................ 61
Figura 17. Comparação entre espectros NIR sem tratamento (esquerda) e após SNV
(direita) ................................................................................................................................ 62
Figura 18. Esquema da preparação das amostras comerciais e laboratoriais. ..................... 65
Figura 19. Delineamento experimental para medidas de calibração por NIR de acordo com o
desenho D-Optimal. (a) Olanzapina - Crospovidona - Dióxido de Silício Coildal; (b)
Olanzapina - Poloxamer - Lactose; (c) Olanzapina - Mistura de revestimento - Estearato de
magnésio; (d) Olanzapina – Celulose microcristalina – Lactose; (e) Olanzapina –
Crospovidona – Poloxamer; (f) Olanzapina – Estearato de magnésio – Dióxido de Silício
Coloidal................................................................................................................................ 66
Figura 20. Esquema de construção do modelo de calibração multivariado e análise dos
dados ................................................................................................................................... 71
Figura 21. Comparação dos espectros NIR puros das 27 amostras laboratoriais e 18
amostras comerciais (figura esquerda), com os espectros tratados com suavização SGS
(janela de 7 pontos), MSC e Derivada de primeira ordem Savitsky-Golay (janela de 7 pontos)
(figura direita)....................................................................................................................... 72
Figura 22. Espectros NIR das 27 amostras laboratoriais e 18 comerciais (linhas pretas) e
matéria-prima Olanzapina (linha vermelha) após o pré-tratamento (Suavização, MSC e
Derivada de primeira ordem). .............................................................................................. 72
Figura 23. Relação entre concentração prevista e a de referência para amostras de
calibração e validação, através do modelo de PLS para Olanzapina. (●) grupo de calibração;
(●) grupo de validação. ........................................................................................................ 74
Figura 24. Teste EJCR para o intercepto e a inclinação da regressão da concentração de
Olanzapina prevista versus a de referência utilizando uma validação externa pelo modelo
PLS. ..................................................................................................................................... 75
Figura 25. Representação geométrica da decomposição do sinal analítico. ........................ 81
Figura 26. Representação gráfica de processos sob controle e fora de controle. ................ 82
Figura 27. Esquema da preparação das amostras comerciais e laboratoriais “dentro do
controle”. .............................................................................................................................. 85
Figura 28. Esquema da preparação das amostras comerciais e laboratoriais “fora do
controle”. .............................................................................................................................. 86
Figura 29. Esquema da construção das cartas de controle NAS, Interferentes e resíduos .. 90
Figura 30. Espectros puros de NIR de todas as amostras, n=106. ...................................... 91
Figura 31. Espectros de NIR pré-tratados da Olanzapina (azul), placebo (verde), amostras
laboratoriais (vermelho), amostras de produção (azul claro). ............................................... 92
Figura 32. Espectros pré-tratados de NIR de todas as amostras, n = 106. .......................... 93
Figura 33. Carta controle para Olanzapina - NAS, Interferentes e Resíduos. (●) amostras do
grupo de calibração, (*) previsão e (▼) validação. ............................................................... 94
Figura 34. Cromatograma da solução de Olanzapina da amostra da produção "fora de
controle". ............................................................................................................................. 95
Figura 35. Cromatograma da solução do placebo da Olanzapina. ....................................... 96
Figura 36. Carta controle por PCA – 1 PC. .......................................................................... 97
Figura 37. Carta controle por T² Hotelling's. ......................................................................... 98
Figura 38. Espectros NIR puro das 120 amostras laboratoriais ......................................... 108
Figura 39. Espectros puros de NIR das amostras após seleção das variáveis. ................. 108
Figura 40. Espectros NIR de todas as amostras após o pré-tratamento com a suavização
(SGS) e MSC. .................................................................................................................... 109
Figura 41. Relação entre conteúdo de água prevista (NIR) e a de referência (KF) para
amostras de calibração e previsão, através do modelo de PCR para Olanzapina. (●) grupo
de calibração; (●) grupo de validação. ............................................................................... 110
Figura 42. Teste EJCR para o intercepto e a inclinação da regressão do conteúdo de água
prevista versus a de referência utilizando uma validação externa pelo modelo PCR. ........ 111
LISTA DE TABELAS
Tabela 1. Vantagens e desvantagens da utilização do NIR ................................................. 29
Tabela 2. Avaliação dos pré-tratamentos testados por MLR, PCR e PLS. ........................... 73
Tabela 3. Comparação dos resultados de amostras comerciais por NIR e por HPLC. ......... 75
Tabela 4. Figura de Mérito (FOM) do melhor modelo PLS: Olanzapina em m/m. ................ 76
Tabela 5. Resumo das amostras utilizadas para a construção da carta de controle baseada
no NAS. ............................................................................................................................... 88
Tabela 6. Porcentagem dos produtos de degradação presentes nas amostras da produção
"fora de controle". ................................................................................................................ 96
Tabela 7. Comparação dos resultados do conteúdo de água de amostras laboratoriais e de
produção por NIR e por KF ................................................................................................ 112
Tabela 8. Figura de Mérito (FOM) do melhor modelo PLS: Conteúdo de água em % m/m. 113
LISTA DE EQUAÇÕES
Equação 1. Construção Carta NAS – Passo 1. .................................................................... 42
Equação 2. Construção Carta NAS – Passo 2. .................................................................... 42
Equação 3. Construção Carta NAS – Passo 3. .................................................................... 42
Equação 4. Construção Carta NAS – Passo 4. .................................................................... 43
Equação 5. Construção Carta NAS – Passo 5. .................................................................... 43
Equação 6. Construção Carta NAS – Passo 6. .................................................................... 43
Equação 7. Construção Carta NAS – Passo 7. .................................................................... 43
Equação 8. Construção Carta NAS – Passo 8. .................................................................... 44
Equação 9. Construção Carta NAS – Passo 9. .................................................................... 44
Equação 10. Construção Carta NAS – Passo 10. ................................................................ 45
Equação 11. Construção Carta NAS – Passo 11. ................................................................ 45
Equação 12. Construção Carta NAS – Passo 12. ................................................................ 45
Equação 13. Construção Carta NAS – Passo 13. ................................................................ 45
Equação 14. Construção Carta NAS – Passo 14. ................................................................ 45
Equação 15. Cálculo do tratamento Suavização Savitzky-Golay. ........................................ 57
Equação 16. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 1. ....... 58
Equação 17. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 2. ....... 59
Equação 18. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 3. ....... 59
Equação 19. Cálculo do tratamento da Derivada. ................................................................ 60
Equação 20. Cálculo do tratamento de Variável Normal Padrão. ......................................... 61
Equação 21. Cálculo do RMSECV. ...................................................................................... 68
Equação 22. Cálculo da Sensibilidade. ................................................................................ 69
Equação 23. Cálculo da Seletividade. .................................................................................. 69
Equação 24. Cálculo da Sensibilidade Analítica. ................................................................. 69
Equação 25. Cálculo da Precisão. ....................................................................................... 69
Equação 26. Cálculo da Exatidão. ....................................................................................... 69
Equação 27. Cálculo do LD. ................................................................................................ 70
Equação 28. Cálculo do LQ. ................................................................................................ 70
LISTA DE ABREVIATURAS, SIGLAS E SÍMBOLOS
ANN Rede Neural Artificial (Artificial Neural Net)
ANVISA Agência Nacional de Vigilância Sanitária
API Insumo Farmacêutico Ativo (Active Pharmaceutical Ingredient)
CA-MRSA Staphylococcus aureus resistente à meticilina de origem comunitária
CLAE Cromatografia Líquida de Alta Eficiência
CLAE-DAD Cromatografia Líquida de Alta Eficiência acoplado ao Detector de
Arranjos de Diodo
CV Coeficiente de Variação
EJCR Elliptical Joint Confidence Region
EMEA Agência Europeia de Medicamentos
FDA Food and Drug Administration
FOM Figuras de Mérito (Figure of Merit)
FT-IR Infravermelho com Transformada de Fourier
HPLC High Performance Líquid Chromatography
ICH International Conference on Harmonization
KF Karl Fischer
LC-ESI-MS/MS Cromatografia Líquida acoplada ao espectrômetro de massas com
ionização por eletrospray
LD Limite de Detecção
LQ Limite de Quantificação
LS SVM Máquina de Vetor de Suporte por Mínimos Quadrados
MALDI-TOF MS Espectrometria de Massa com Ionização por Tempo de Voo
MCUSUM Somatório Cumulativo Multivariado
MEWMA Média Móvel Ponderada Exponencial
MSC Espalhamento Multiplicativa da Luz
MSI Espectrometria de Massas por Imagem
NAS Sinal Analítico Líquido
NIR Infravermelho Próximo
NIRS Espectrofotometria no Infravermelho Próximo
NOC Condição Operacional Normal
NUPLAM Núcleo de Pesquisa em Alimentos e Medicamentos
PAT Tecnologia Analítica em Processo
PCA Análise do Componente Principal
PCR Regressão pelo Componentes Principais
PLS Regressão por Mínimos Quadrados Parciais
PPS Perda por Secagem
PVDF Fluoreto de Polivinilideno
QINV Quimioterapia Induzida por Náusea e Vômito
rc Coeficiente de Correção da calibração
RMSEC Erro Quadrático Médio da Calibração
RMSECV Erro Quadrático Médio da Validação Cruzada
RMSEP Erro Quadrático Médio da Previsão
rp Coeficiente de Correlação da Previsão
SGS Suavização Savitzky-Golay
SNV Variável Normal Padrão
STD Escalonamento de Variáveis
UFRN Universidade Federal do Rio Grande do Norte
USP-NF United States Pharmacopoeia – National Formulary
%m/m Porcentagem massa massa.
RESUMO
A Olanzapina é um benzoadizepínico que provou ter eficácia contra os sintomas positivos e negativos da esquizofrenia, transtorno bipolar e outras psicoses. A indústria farmacêutica e laboratórios analíticos têm focado na qualidade, segurança e eficiência de seus produtos, para isso ferramentas de planejamento e monitoramento são inseridas na escala de produção. O conceito de Tecnologia de Processos Analíticos introduz abordagens inovadoras, como melhorias no controle do processo e na compreensão dos procedimentos realizados para aumentar a eficiência. O presente estudo teve como objetivo aplicar a técnica da espectroscopia no infravermelho próximo para a construção da Tecnologia Analítica em Processo na produção da Olanzapina comprimidos revestidos, uma vez que essa técnica tem ganhado amplo uso, por não necessitar de tratamento nas amostras, ausência da produção de resíduos e as análises são rápidas, quando comparada com as técnicas de referência, por exemplo: as cromatografias. Previamente à implantação da Tecnologia Analítica em Processo são necessárias etapas em bancada para avaliar se a técnica é sensível para o objetivo. Para isso foram desenvolvidos métodos alternativos para comparar com os de referência. No capítulo 1 foi realizado o doseamento do fármaco por cromatografia líquida de alta eficiência e por infravermelho próximo associado a técnicas de calibração multivariada (regressão parcial dos mínimos quadrados – PLS, após pré-tratamento dos espectros). Os resultados encontrados pelo método por infravermelho próximo foram comparados aos obtidos pela cromatografia e como resposta, o doseamento obtido por ambos não mostrou diferença estatisticamente significativa. Já no capitulo 2, a tese foi focada na construção de cartas controles multivariadas, baseadas no Sinal Analítico Líquido (NAS) para monitoramento do doseamento do fármaco em amostras laboratoriais e de produção utilizando a espectroscopia no infravermelho próximo. As cartas de controle (NAS, interferentes e resíduos) foram construídas e mostraram-se promissoras com elevado nível de reconhecimento (95 a 100%) das amostras que estavam realmente dentro ou fora do intervalo especificado. Por fim, no capítulo 3 a determinação do conteúdo de água por infravermelho próximo associado à calibração multivariada, PCR, de granulados da mistura de Olanzapina e excipientes em amostras laboratoriais e de produção foi analisada em comparado ao método de referência (Karl Fischer). Os resultados, quando o NIR e o Karl Fischer foram comparados, não apresentaram diferenças estatisticamente significantes, demonstrando que o NIR associado à calibração multivariada também funciona para a análise do conteúdo de água nos comprimidos de Olanzapina revestidos.Os resultados mostraram que a construção dos modelos de calibração multivariados, associados aos espectros obtidos do infravermelho próximo foram promissores, quando comparado aos dados obtidos pelos métodos de referência. Portanto, a ferramenta analítica alternativa (infravermelho próximo) poderá ser inserida em escala de produção para o monitoramento da qualidade do fármaco na matriz utilizada.
Palavras-chave: Olanzapina; NIR; CLAE; PAT; Carta Controle; Karl Fischer.
ABSTRACT
Olanzapine is a benzodiazepine which proved efficacy in the treatment of positive and negative symptoms of schizophrenia, bipolar disorder and others psychoses. The pharmaceutical industry and analytical laboratories have focused on quality, safety and efficacy of their products, for this planning tools and monitoring are required in the production scale. The concept of Process Analytical Technology introduces innovative approaches, as improvement of process control and comprehension of carried out procedures to improve the efficiency. This study applies the near infrared spectroscopy to build the Process Analytical technology in the production of Olanzapine coated tablets, since this technique has being wide use, because it is not necessary to prepare the samples, the absence of residues produced and the analysis are fast, when compared to the reference techniques, e.g. chromatography. Previously to implementation of Process Analytical Technology some laboratory steps are required to evaluate if the technique are sensitive to the objective. To prove the theory, alternative methods were developed to compare with their references. In the Chapter 1 it was carried out the assay of the drug using high performance liquid chromatography and near infrared associated to multivariate calibration techniques (partial least square – PLS), after the spectra pre-treatment). The results obtained by the near infrared were compared to the chromatography and as response: the assay by both methods did not presented statistically significance difference. In the Chapter 2, the thesis was focused at the construction of multivariate control charts, based on Net Analytical Signal (NAS) to monitor the assay of the drug in laboratory and production samples using near infrared spectroscopy. The control charts (NAS, interferers and residuals) were built and they were promisor with high level of recognition (95 to 100%) of samples that were exactly in or out of the specified range. Lastly, at the Chapter 3 the determination of water content by near infrared associated to multivariate calibration, PCR, of Olanzapine and excipients granulate mixtures in laboratory and production samples was analyzed and compared to the reference method (Karl Fischer). The results, when NIR and Karl Fischer were compared, presented no significant statistically difference, promoting the NIR associated to multivariate calibration also works to analyze the water content into the coated olanzapine tablets. The results showed that the multivariate calibration models constructed, using the spectra obtained by the near infrared, were promisors, when compared to the reference methods. Therefore, the alternative analytical tool (near infrared spectroscopy) can be installed at production scale to monitor the drug quality at this matrix used.
Key-words: Olanzapine; Near Infrared; HPLC; PAT; Control Charts; Karl Fischer.
I N T R O D U Ç Ã O P á g i n a | 19
1. INTRODUÇÃO
Nas últimas décadas, devido às consequências negativas do grande crescimento
industrial e populacional, que provoca graves danos à saúde humana e à natureza, o
aumento da responsabilidade ambiental tem sido visível. Diversos países têm voltado seus
esforços para a busca do desenvolvimento autossustentável, que pode ser definido como o
progresso industrial que atenda às necessidades do presente sem comprometer a
capacidade das futuras gerações de satisfazerem suas próprias necessidades.
Inevitavelmente, essa demanda teve influência decisiva na análise de fármacos e
medicamentos. Para tanto, há a necessidade, cada vez mais, de desenvolver novos
métodos, elaborar novas estratégias, criar novas ferramentas que reduzam ou eliminem
componentes indesejáveis de uma análise, como, produção de resíduos, uso de reagentes
tóxicos, desperdício de energia em processos industriais, etc.
O infravermelho próximo (NIR) possui características úteis para utilização no
controle, pois analisa de forma não destrutiva e rápida, permitindo não só caracterizar as
diferentes formas de uma substância ativa, mas também para determinar a pureza
polimórfica de ambos o produto puro e a preparação final (BLANCO, et al., 2000; FEVOTTE,
et al., 2004).
Além disso, possui vantagens com relação ao menor consumo de produtos químicos.
Dessa forma, a sua aceitação aumentou em vários campos industriais, principalmente na
indústria farmacêutica. NIR tem o potencial de proporcionar uma maior compreensão do
processo e do produto que vai bem com a iniciativa da Tecnologia Analítica de Processo
(PAT) do Food and Drug Administration (FDA). Neste contexto, cartas de controle
multivariadas baseadas no NIR têm sido desenvolvidas para melhorar o processo de
controle de qualidade (ROCHA, et al., 2010).
Nesta tese, o método por cromatografia líquida de alta eficiência (método de
referência), previamente desenvolvido e validado pelo Núcleo de Pesquisa em Alimentos e
Medicamentos da Universidade Federal do Rio Grande do Norte (NUPLAM/UFRN),
seguindo as recomendações da Agência Nacional de Vigilância Sanitária (ANVISA), foi
validado parcialmente para as suas aplicações. Em seguida, foram desenvolvidos métodos
espectrofotométricos, na região do Infravermelho Próximo, associados às análises
quimiométricas para construção de modelos de calibração multivariada para doseamento de
misturas de Olanzapina, cartas controles multivariadas para Olanzapina comprimidos
revestidos e construção de modelos de calibração multivariada para determinação do
conteúdo de água em granulados de mistura de Olanzapina e excipientes. Para isso foram
I N T R O D U Ç Ã O P á g i n a | 20
utilizadas ferramentas estatísticas de planejamento de experimentos e softwares para
tratamento de dados e construção dos modelos de calibração multivariados.
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 21
2. FUNDAMENTOS TEÓRICOS
2.1. Tecnologia Analítica em Processos - PAT
O termo “Process Analytical Technology” (PAT) tem sido usado para definir um
sistema para proteger e controlar a fabricação através de medições em tempo útil (ou seja,
durante o processamento) de qualidade crítica e de atributos de desempenho das matérias-
primas e também nos processos com o objetivo de garantir a qualidade do produto final
(GENDRE, et al., 2011).
Normalmente, a garantia de qualidade monitora a segurança e a limpeza das
instalações de uma indústria farmacêutica, mas examina o produto apenas no final,
dificultando a verificação das não conformidades. Assim, quando o produto final da
amostragem analisada indica algo de errado como: contaminação, erro de dosagem, ou
outro problema, o lote é descartado (ou reprocessado) (MOREIRA, 2011).
Muitas medidas em laboratórios analíticos são utilizadas apenas para assegurar a
qualidade do produto, mas não controlar o processo. Neste caso, as amostras são retiradas
de vários pontos da linha de produção e são levadas até um laboratório onde são analisadas
(denominada como análise “off-line”), os resultados são enviados de volta ao solicitante ou
são arquivados para referência futura.
Porém melhorias tecnológicas nos métodos existentes são possíveis. A PAT introduz
abordagens inovadoras, como melhorias no controle do processo e na compreensão dos
procedimentos realizados de forma diferente e aumenta sua eficiência. Com os requisitos de
qualidade implantados no produto desde o início do seu processo, ou seja, com o sistema
de análise instalado na linha de produção a identificação de falhas é muito mais fácil
(MOREIRA, 2011). A PAT pode desempenhar um papel ainda mais importante no projeto e
análise de processos de fabricação, pois é possível desenvolver e implantar tecnologias de
medição (quantitativas e qualitativas) adequadas ao processo, que resulta na eficiência do
uso de energia, tempo e matéria-prima, contribuindo para a sustentabilidade e menor
impacto ambiental.
Moreira (2011) cita que os principais conceitos que diferenciam PAT a partir de
competências industriais farmacêuticas tradicionais são a química de processo analítico e a
fabricação de qualidade. A química de processo analítico geralmente descreve a ciência e a
tecnologia associada com o deslocamento do laboratório de medições baseadas com
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 22
sensores e instrumentação posicionados mais próximos do local da operação, pois em
processos industriais o tempo é um dos parâmetros de maior importância, assim como custo
e precisão. No controle de processo são necessárias medições de análises em tempo real,
visto que o tempo gasto para conclusão da análise deve ser pequeno, considerando que os
resultados obtidos podem ser usados imediatamente para controlar ou aperfeiçoar o
processo de fabricação. Portanto, devem-se usar analisadores de processos que podem ser
distribuídos em pontos estratégicos de uma linha de produção. Estes analisadores de
processos são classificados em quatro tipos (FEVOTTE, et al., 2004):
i) “At line”: este sistema aproxima o instrumento analítico a linha de produção.
As vantagens incluem a disposição de um instrumento exclusivo para a
realização da análise, porém demanda tempo e habilidade analítica por parte
de um técnico especialista como consultor. São utilizados em medidas de
especificações técnicas de matéria-prima e controle de qualidade do produto
final.
ii) “on-line”: neste tipo de analisador, um sistema analítico automatizado é
conectado ao processo de fabricação, que extrai, condiciona e encaminha a
amostra para o equipamento, para coletar os dados e processá-los. A
desvantagem deste processo é a preparação da amostra antes da medição.
iii) “in-line”: neste sistema elimina-se a linha de amostragem, introduzindo-se um
sensor analítico dentro da linha do processo (in-situ), em contato direto com o
material a ser analisado. Apesar do aspecto atrativo deste sistema, ele
encontra dificuldades devido a problemas de calibração e com o contato do
sensor com substâncias que podem ocasionar desgastes e obstrução do
sensor.
iv) “non-invasive”: é a classe mais recente de analisadores, o sensor analítico é
posicionado na linha de processo, porém sem contato com a substância,
portanto não ocorrem mudanças na composição da amostra e não gera
contaminação.
Um exemplo de aplicação da PAT na indústria das mais diversas áreas é a utilização
da técnica de espectroscopia NIR no formato “non-invasive”, conforme equipamentos
listados abaixo nas Figuras 1 e 2:
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 23
Figura 1. Aplicação da PAT com o NIR na indústria alimentícia
Fonte: http://www.brimrose.com/products/nir_mir_spectrometers/sort_by_spectrometers/7030.html
Figura 2. Aplicação da PAT com o NIR na tampa do misturador BIN - Teste de
homogeneidade.
Fonte: www.pharmaceuticalonline.com/doc/solution-for-real-time-ibc-blend-uniformity-0002
A primeira medição em “tempo-real” em um ambiente de produção foi possível após
modificação em instrumentos laboratoriais. Nas últimas décadas, instrumentos portáteis
automatizados ou multifuncionais foram e estão sendo desenvolvidos para análises
imediatas (em processo) (YAO, et al., 2012).
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 24
Em setembro de 2005, o FDA definiu a PAT como uma estrutura para o
desenvolvimento de tecnologia inovadora em ambiente de produção e de garantia da
qualidade, para isso, são necessários quatro etapas para a sua aplicação (YAO, et al.,
2012):
I) Aquisição de dados multivariados e ferramentas de análises;
II) Analisadores de processo;
III) Monitoramento de processo e ferramentas de controle;
IV) Melhoramento contínuo e conhecimento das ferramentas de gerenciamento.
Com base no guia de princípios de “Quality by Design (QbD)”, o FDA recomenda a
indústria farmacêutica a construir sistemas para delinear, analisar e controlar a produção
através de medições durante o processo de atributos críticos como forma de garantir a
qualidade de seus materiais e processos, tais como em matéria-prima ou produto final
(YAO, et al., 2012).
Durante os últimos 20 anos, o número de publicações envolvendo a PAT aumentou
rapidamente, mostrando que a tecnologia dessa ferramenta é bastante promissora e que
atrai a atenção da área industrial e científica. Exemplos desta ferramenta em ambiente
industrial farmacêutico pode ser visto na AstraZeneca, a qual instalou o sistema PAT em
uma de suas fábricas, com a utilização do infravermelho próximo (NIR) na etapa de mistura
do princípio ativo com os excipientes e na instalação de sondas para monitorar o controle de
umidade na produção de medicamentos sólidos. A Sanofi-Aventis aplicou a PAT com
sucesso na produção de medicamentos sólidos para o monitoramento de impurezas e
espessuras de comprimidos. Outros grupos farmacêuticos (Tasly Group e Northeast Group)
vêm implantando a PAT em suas indústrias, em parcerias com universidades ou centros de
pesquisas, como forma de atualizar seu processo produtivo, em geral antigo, que permitam
melhorar seu controle (YAO, et al., 2012).
Em todos os sistemas PAT, instrumentos e métodos espectroscópicos ganham
importância por desempenharem o papel principal, os quais, além disso, apresentam
vantagens, tais como: rapidez, simplicidade, não-destrutividade e portabilidade. Essas
vantagens os tornam mais adequados para realizar analises não-invasivas e “in-line” (YAO,
et al., 2012).
O infravermelho próximo (NIR) e o médio (MIR) são as ferramentas espectroscópicas
mais recomendadas para predizer, por exemplo, a qualidade de misturas de diesel e
biodiesel (nos testes de densidade, conteúdo de enxofre e temperatura de destilação). Outro
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 25
exemplo trata-se da análise de embalagens de alumínio-plástico, o qual de acordo com a
Farmacopeia Europeia são necessárias duas horas para o teste, enquanto que com a
aplicação do NIR, apenas dois minutos. Comparando com a técnica de cromatografia líquida
de alta eficiência (CLAE ou HPLC), com a utilização do NIR, ocorre uma economia de tempo
em torno de 98% na análise quantitativa de cefalosporina. Outros usos estão sendo
explorados, como por exemplo, na identificação de materiais a base de plantas (YAO, et al.,
2012), em aplicações para análise de polímeros, indústria petrolífera, análises ambientais,
têxtis e cosmética (PASQUINI, 2003).
Outros métodos, tais como, ultravioleta (UV), ressonância magnética nuclear (RMN),
espectroscopia Raman, espectroscopia de massas (MS), reflectância total atenuada (ATR),
espectroscopia no infravermelho com transformada Fourier (FTIR) também tem sido
utilizadas, conforme relatado na Figura 3.
Fonte: Adaptado de REID, et al., 2012
Figura 3. Técnicas analíticas empregadas em processos farmacêuticos – PAT.
Granulação
Tamanho de Partícula Raman
Turbidez
Reator
Cromatografia NIR MIR
Raman UV pH
Secagem NIR MIR
Raman
Tamanho de Partícula
Mistura NIR MIR
Raman
Compressão NIR
Raman
Matéria-Prima NIR MID
Raman
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 26
2.2. Infravermelho próximo (NIR)
A busca crescente por melhoria da qualidade de produtos e racionalização da
produção nas várias áreas da indústria tem levado à substituição gradual de técnicas
analíticas conservadoras demoradas e procedimentos de controle inespecíficos por
ferramentas analíticas específíccas e compatíveis com o ambiente (BURNS e CIURCZAK,
2008).
Nesse sentido, as técnicas espectroscópicas, em geral, tem tido grande destaque
nos últimos anos na indústria farmacêutica, principalmente voltadas ao controle de
qualidade e monitoramento de processos. Os métodos espectroscópicos de análise
baseiam-se na interação da radiação com a matéria, através da medida da quantidade de
radiação produzida ou absorvida pelas moléculas ou espécies atômicas de interesse
(SKOOG e LEARY, 2006). Dentre as existentes, o infravermelho próximo possui
características que a destaca.
A região do infravermelho próximo compreende a faixa do espectro eletromagnético
(~780 a 2500 nm), situada entre o visível e o infravermelho médio, conforme observado na
Figura 4. As absorções na faixa NIR são baseadas em sobretons e combinação de
vibrações da molécula investigada. Devido à sua probabilidade de transição inferior, as
intensidades geralmente diminuem por um fator de 10 a 100, a cada nível a partir da base
para o próximo sobretom (BURNS e CIURCZAK, 2008).
Figura 4. Espectro eletromagnético. NIR (~780 a 2500nm)
Fonte: http://www.processsensors.com/appbl_II/?p=2998
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 27
Na região do NIR, as moléculas sofrem transições vibracionais e rotacionais podendo
passar diretamente de um determinado nível energético para dois ou mais níveis de maior
energia. As bandas de absorção mais proeminentes que ocorrem na região do NIR estão
relacionadas a sobretons e combinações de vibrações fundamentais de grupos funcionais –
CH, -NH, -OH e -SH (JAMRÓGIEWICZ, 2012).
O NIR pode ser realizado de três modos: transmitância, reflectância difusa e
transflectância. O segundo mede a reflectância e o terceiro mede a combinação entre a
transmitância e reflectância. Os modos de transmitância e transflectância são em geral
utilizados para amostras líquidas e semissólidas, enquanto que a reflectância difusa é
utilizada para amostras sólidas, na qual a radiação não é capaz de atravessar a amostra e
ser captada por um detector que fique a 180° da fonte de emissão (COSTA, 2014).
Os procedimentos utilizando a região do NIR são menos trabalhosos daqueles os
quais utilizam a região do MIR e são semelhantes aos da região do ultravioleta e visível. A
absorvância de um líquido ou solução pode ser rapidamente mensurada utilizando cubetas
de quartzo ou safira de dimensões variáveis ou utilizando sondas de fibra ótica. Devido a
capacidade de absorver grupos O-H, N-H e C-H fortemente, recomenda-se utilizar solventes
os quais não possuam esses grupamentos ou que sua absorção seja mínima para não
interferir no sinal produzido pela molécula de interesse (PASQUINI, 2003).
A espectroscopia do NIR pode ser utilizada em determinações qualitativas e
quantitativas de espécies moleculares de todos os tipos. Devido a isso ela é amplamente
aceita pela indústria farmacêutica como um método para o controle físico-químico das
amostras, proporcionando medição direta de amostras sólidas com uma análise rápida e
precisa, necessitando de pouca ou nenhuma manipulação da amostra (BLANCO e ALCALÁ,
2006b).
Das técnicas analíticas disponíveis para o desenvolvimento de métodos qualitativos
e quantitativos na indústria farmacêutica, o NIR é provavelmente a mais bem-sucedida. Na
literatura, constam diversos trabalhos voltados para a indústria farmacêutica (COSTA,
2014), tais como: na análise qualitativa e quantitativa de diferentes classes de compostos, e
em diferentes áreas, tais como produtos farmacêuticos (NEVES, et al., 2012), alimentos
(INACIO, DE MOURA e DE LIMA, 2011), ambiental (GELADI, et al., 1999), clínica
(SAKUDO, et al., 2009), entre outros. NIR mede as transições de ligações moleculares de
vibração. Uma ampla gama de moléculas (principalmente compostos orgânicos) absorve no
intervalo de NIR e os seus grupos funcionais, tais como OH, CH, NH e C=O aparecem como
os mais fortes. As amostras geralmente são medidas sem quaisquer pré-tratamentos, o que
torna NIR uma técnica rápida, não invasiva e não destrutiva (MARQUES, et al., 2014).
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 28
Outras aplicações do NIR descritas na literatura estão relacionadas com o monitoramento
do processo de revestimento de comprimidos e na determinação de seu ponto final (DE
BEER, et al., 2011; MOLTGEN, et al., 2012).
Segundo Pasquini (2003) a utilização do NIR em métodos análiticos para a
determinação de proteínas em amostras de carne, soja e milho, como forma alternativa ao
método compendial (Kjeldhal) ganhou ênfase e espaço, uma vez que após a construção do
método por NIR, ele é capaz de obter o sinal sem destruir as amostras, gerar o resultado em
menos de um minuto e não produzir resíduos tóxicos ao ambiente.
Além de aplicações na indústria, estudos biológicos também foram descritos, por
exemplo, na aplicação da espectrometria de NIR para análise de microrganismos
Staphylococcus aureus (MAQUELIN, et al., 2003; GRUNERT, et al., 2013), que tem sido
alvo de estudos nos últimos anos. AMIALI e colaboradores (2011) determinaram uma região
espectral FTIR ou a combinação das regiões que refletem uma característica bioquímica
específica de uma cepa de S. aureus meticilina-resistente associado à comunidade (CA-
MRSA).
GRUNERT e colaboradores (2013) estudaram a potencialidade da espectroscopia
FTIR para diagnóstico diferencial dos tipos de S. aureus de polissacarídeo capsular
clinicamente mais relevante. Maquelin e colegas de trabalho (2003) realizaram um primeiro
estudo clínico prospectivo em que os patógenos causadores (Staphylococcus aureus,
Enterococcus feacalis, Escherichia coli e Pseudomonas aeruginosa) de infecções do sangue
foram identificados por espectroscopia FTIR (MARQUES, et al., 2014).
Entretanto, o método de análise por NIR possui desvantagens. Essa tecnologia é e
sempre será fortemente dependente da existência de bons e aceitáveis métodos de
referência, como por exemplo: cromatografia, Karl Fischer, kjeldahl, contagem de placas,
entre outros. Isso ocorre devido à etapa de modelagem ou criação do modelo de calibração,
uma vez que o NIR precisa identificar as características espectrais ou as combinações
destas referentes ao que está sendo pesquisado, portanto pequenas diferenças no sinal do
espectro serão os responsáveis de garantir que tal informação é referente à mudança
existente e detectável pelo método de referência. A diferença entre o sucesso e a falha
nesta técnica está diretamente dependente da qualidade dos valores de referência
associadas às amostras na etapa de modelagem (BLANCO, et al., 1998).
A umidade do ambiente deve ser controlada, uma vez que ele é capaz de detectá-la
e interferir no espectro resultante do produto a ser analisado. Durante sua aplicação em
rotina é necessário inserir novos dados de amostras no modelo de calibração, uma vez que
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 29
fenômenos físicos ambientais podem interferir ao longo de sua aplicação e,
consequentemente o modelo de calibração torne-se desqualificado para o objetivo. Além
disso, é necessário que o operador saiba interpretar corretamente os espectros, bem como
realizar com precisão e exatidão os tratamentos quimiométricos, seja de pré-
processamentos ou de construção de modelos de calibração multivariados, dos espectros
para manter respostas adequadas do produto (JAMRÓGIEWICZ, 2012).
De forma resumida, as vantagens e desvantagens estão presentes na Tabela 1
(JAMRÓGIEWICZ, 2012):
Tabela 1. Vantagens e desvantagens da utilização do NIR
Vantagens Desvantagens
Método não destrutivo e não invasivo. Baixa sensitividade do limite do sinal pela determinação de substâncias com concentração abaixo de 0,1% (p/p).
Medidas espectrais rápidas (< 1min). Necessidade de investimento inicial financeiro elevado.
Baixo custo das análises, não necessita de reagente químico, com apenas um operador é capaz de analisar um grande quantitativo de amostras.
Necessita de desenvolvimento de modelos de calibração com analista qualificado.
A possibilidade de scanear o espectro em diversos campos do mesmo objeto permite obter uma composição da amostra de forma mais representativa, consequentemente mais exato será o resultado da análise.
Necessita de calibração exata e robusta com um grande número de amostras ampla variação para ser incorporadas ao modelo.
Não necessita de preparação de amostra ou apenas tratamento mínimo (secagem).
Necessita de manutenção (inserção de novas amostras) contínua do modelo de calibração.
Vários constituintes da mesma amostra podem ser medidos em uma mesma análise.
Dificuldade de transferência de métodos de calibração entre equipamentos de mesmo fabricante ou fabricantes diferentes.
Facilmente aplicável em diferentes ambientes, laboratorial ou industrial.
Necessita de uma análise física e química precisa de amostras de referência.
Análises podem ser feitas em linha e fora de linha
A presenta da sonda de fibra óptica permite ao analista analisar a amostra in situ
A disponibilidade de equipamentos portáteis permite obter espectros de amostras diretamente do local onde a amostra se encontra, não havendo necessidade de realizar amostragem.
Radiação capaz de penetrar na embalagem de vidro das amostras.
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 30
2.2.1. Processamento matemático dos sinais
O sinal analítico obtido da espectroscopia no NIR é uma função complexa que
depende da propriedade física e química da molécula. Os valores obtidos também sofrem
influência quando a reflectância difusa é utilizada em amostras sólidas, uma vez que a
reflectância depende do grau de espalhamento da luz incidente, ou seja, quanto mais
espalhada for a luz, menor o grau de penetração na amostra, consequentemente menor
será sua absorção. O espalhamento depende, essencialmente, das propriedades físicas da
amostra (tamanho de partícula, ambiente cristalino ou amorfo) e tem seu efeito multiplicado
na quantidade de luz que é absorvida na amostra, o qual combina com outros efeitos
adicionais, tais como inclinação da linha de base e absorção química (BLANCO, et al.,
1998).
De fato, o espalhamento de luz pode ser responsável pela variabilidade do sinal
entre amostras, o qual conduz para uma alta correlação entre medidas em diferentes
comprimentos de onda. Essas situações requerem um processamento matemático dos
espectros antes de serem analizados para minimizar os efeitos das propriedades físicas das
amostras, ou seja, promovem o melhoramento do sinal pela redução de informações
irrelavantes (BLANCO, et al., 1998)
Segundo Blanco (1998), alguns dos tratamentos matemáticos mais utilizados para
correção do espalhamento de luz do espectro NIR são a normalização ou suavização
(SGS), derivada, correção do espalhamento multiplicativo da luz (MSC) e variação padrão
normal (SNV):
Suavização Savitzky-Golay (Smoothing) – SGS: Filtro utilizado para a remoção de
ruído de alta frequência nas amostras. A suavização SGS assume que as variáveis
que estão próximas umas das outras na matriz de dados contêm informações
semelhantes e por isto, estão relacionadas umas com as outras, de modo que se
pode calcular a média em conjunto para reduzir o ruído, sem perda significativa do
sinal de interesse (WISE, et al., 2006). Aplicações relatadas na literatura: análise em
acerolas (MALEGORI, et al., 2016) e adulterantes em amido (XU, et al., 2015).
Derivada Savitzky-Golay: Pré-tratamento utilizado para a correção de linha de
base, os quais possuem princípio de funcionamento muito semelhante ao do SGS
(NICOLAÏ, et al., 2007). É um método que deve ser utilizado quando as variáveis são
bastante correlacionadas umas com as outras. A forma mais simples de derivação é
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 31
a derivada de ordem 1 ou primeira ordem, na qual cada variável é subtraída
imediatamente pela vizinha. Com isso, ocorre a remoção de sinais iguais entre duas
variáveis e mantém apenas a parte do sinal que é diferente entre elas (COSTA,
2014). Este processamento enfatiza (amplifica) os sinais de baixa frequência (WISE,
et al., 2006). Aplicações relatadas na literatura: análise de nimesulida (ROCHA, et
al., 2010), biodísel (OLIVEIRA, ROCHA e POPPI, 2009), resíduos de coco
(RAMBO, et al., 2015), adulterantes em amido (XU, et al., 2015), análise
microbiológica (MARQUES, et al., 2014) e análise microbiológica em frutos
(MARQUES, et al., 2013).
Correção do Espalhamento multiplicativo da luz (MSC): Amplamente utilizado
para a promoção da normalização do espectro, uma vez que existam variações
multiplicativas entre os perfis de resposta das amostras. Normalmente causadas por
diferenças no percurso óptico das amostras ou em consequência de processos de
dispersão de luz, para compensar os efeitos de mudança de base, responsável pela
inclinação do espectro (COSTA, 2014). Aplicações relatadas na literatura: análise de
nimesulida (ROCHA, et al., 2010), análise microbiológica em frutos (MARQUES, et
al., 2013) e monitoramento do processo de revestimento de medicamentos
(MOLTGEN, et al., 2012).
Variável Padrão Normal (Standard Normal Variate – SNV): Tem o princípio de
correlação semelhante ao MSC. O SNV é uma normalização ponderada, o qual
calcula o desvio padrão de todas as variáveis reunidas para uma determinada
amostra e em seguida, normaliza todas elas por este valor. O ajuste multiplicativo é o
desvio padrão de todas as variáveis (WISE, et al., 2006). Aplicações relatadas na
literatura: análise em acerolas (MALEGORI, et al., 2016), resíduos de coco
(RAMBO, et al., 2015) e adulterantes em amido (XU, et al., 2015).
2.2.2. Uso do NIR pelas Farmacopeias
As Farmacopeias Brasileira (BRASIL, 2010) e Americana (USP, 2011) publicaram
métodos gerais sobre NIR, suas aplicações e a necessidade de validação, a qual é
semelhante à requerida para qualquer procedimento analítico. Em geral, os métodos
analíticos farmacopeicos ainda são baseados, na sua grande maioria, em métodos
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 32
espectroscópicos de forma univariada, seguindo as normas das diretrizes da ANVISA, no
Brasil (ANVISA, 2003), e ICH (International Conference on Harmonization) (ICH, 1995; ICH,
1997). Dentro das monografias existentes na farmacopeia brasileira, apenas a cola de
fibrina requer que o método para determinação de água no componente 1 e 2 seja feita por
um dos métodos: determinação da água pelo método semimicro ou perda por dessecação
ou espectrofotometria de absorção no infravermelho próximo (BRASIL, 2016).
Para que a tecnologia NIR seja inserida em compêndios oficiais como método de
referência e não mais alternativo, os laboratórios de controle de qualidade oficiais ou
indústrias farmacêuticas necessitam enviar seus métodos de análise validados às agências
reguladoras ou entidades farmacopeicas, para que o método seja analisado, comprovando
assim, que ele se aplica ao produto ao qual foi destinado e, que este método apresente
vantagens em relação ao método de referência. Dessa forma, os métodos poderão ser
adotados na rotina, tornando o NIR uma ferramenta analítica associada à calibração
multivariada essencial na indústria farmacêutica.
De acordo com a farmacopeia brasileira (2010), a validação de uma metodologia
que emprega a espectroscopia NIR é semelhante àquela requerida para qualquer
procedimento analítico e, geralmente, é estabelecida a partir de ferramentas quimiométricas.
Os principais parâmetros a serem avaliados são: especificidade, linearidade, faixa de
trabalho, exatidão, precisão e robustez.
Ainda de acordo com a farmacopeia brasileira (2010), a extensão da especificidade é
dependente do procedimento utilizado. A demonstração da especificade dos métodos NIR
pode ser feita através das seguintes formas:
Os comprimentos de onda utilizados nos modelos de calibração devem
corresponder a bandas do analito de interesse;
Para calibração utilizando PLS (regressão pelos mínimos quadrados parciais)
os coeficientes devem ser plotados e as regiões de maior coeficiente
comparadas com o espectro do analito;
Variações na matriz da amostra não devem afetar de forma significativa a
quantificação da analito;
A validação da linearidade do método NIR envolve a demonstração da resposta
linear da técnica para amostras distribuidas através de uma faixa definida de calibração. O
coeficiente de correlação, r, não é uma ferramente adequada para verificação da
linearidade, mas é a medida da variação dos dados que é adequadamente modelada pela
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 33
equação. A melhor maneira de demonstrar a linearidade dos métodos NIR é através da
avaliação estatística dos valores da inclinação e intercepto obtidos para o conjunto de
validação (BRASIL, 2010).
O ajuste é feito pelo método dos mínimos quadrados. A melhor curva é aquela que
apresentar menor resíduo e maior coeficiente angular, entre os valores de Y medidos e os
valores de Y previstos. Uma vez conhecidos os coeficientes de regressão, é possível
predizer a concentração de novas amostras, com vase apenas em seu sinal analítico
(COSTA, 2012).
A faixa de trabalho dos valores de referência do analito do conjunto de validação
define a faixa de trabalho do método NIR. Controles devem ser estabelecidos para garantir
que os resultados fora da faixa de trabalho não sejam aceitos. A validação de um método
NIR deve gerar um valor anômalo quando uma amostra contendo analito fora da faixa de
trabalho for analisada (BRASIL, 2010) (ICH, 1995) (ICH, 1996). Ambas a faixa de trabalho e
linearidade em métodos por NIR dependerão da disponibilidade das amostras e variações
do processo, portanto a faixa fixa recomendada pelos guias (80 a 120% da concentração de
trabalho) pode não ser aplicada, portanto essa faixa pode ser ampliada (BROAD, et al.,
2002).
A exatidão de um método NIR é demonstrada pela correlação dos resultados NIR
com os dados da técnica de referência. Além disso, a exatidão pode ser verificada a partir
da proximidade do erro padrão de predição (SEP) ou através da raiz quadrada do erro
médio quadrático de prevcisão (RMSEP, do inglês, Root Mean Squares Error of Predction)
com o erro do método de referência, o qual deve ser conhecido com base nos valores
históricos (COSTA, 2012). Diferentes métodos estatísticos podem ser utilizados para
verificar diferenças estatísticas entre os resultados obtidos pelo método NIR e o método de
referência (BRASIL, 2010).
A precisão de um método NIR expressa a concordância entre uma série de medidas
obtidas sob condições pré-determinadas. Há dois níveis de precisão que podem ser
considerados: a repetitividade e a precisão intermediária. A precisão de um método NIR é
tipicamente expressa como coeficiente de variação (BRASIL, 2010) (ICH, 1995) (ICH, 1996).
A robustez do método NIR pode ser verificada através de mudanças de parâmetros
do método, como: condições ambientais, temperatura da amostra, características da
amostra e mudanças instrumentais (BRASIL, 2010).
Além dos citados anteriormente, os limites de detecção e quantificação também são
requeridos para o método espectrofotométrico. Os quais são a menor quantidade do analito
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 34
presente na amostra que gera sinal e a menor quantidade do analito presente na amostra
que geral sinal com precisão e exatidão, respectivamente (BRASIL, 2010) (BROAD, et al.,
2002). Podem ser estimados a partir da comparação do sinal analítico obtido para uma
amostra que possui baixas concentrações do analito com o sinal da amostra do branco,
estimando assim, a concentração mínima com a qual a espécie de interesse pode ser
determinada de maneira confiável.
2.3. Calibração Multivariada aplicada ao controle de Qualidade de Medicamentos
O termo “quimiometria” foi criado há várias décadas para descrever um novo modo
de analisar dados químicos, em que eram combinados os pensamentos estatísticos e
químicos. Dentre os elementos utilizados na quimiometria, os três mais utilizados nas
aplicações da quimiometria são: modelagem empírica, modelagem multivariada e os dados
químicos (BAKEEV, 2005).
A análise multivariada da quimiometria indica que mais do que uma variável resposta
do instrumento é utilizada para construir os modelos, uma vez que uma única variável não
apresenta seletividade adequada para monitorar uma propriedade especifíca levando em
consideração os interferentes de outras propriedades (BAKEEV, 2005).
Ferramentas quimiométricas podem ser usadas para uma ampla variedade de usos,
incluindo planejamento experimental, análise de dados exploratórios e o desenvolvimento de
modelos preditivos. Na química analítica, a quimiometria tem se mostrado mais eficaz em
duas funções gerais:
i) Especialização Instrumental: modelos de calibração multivariados são
construídos com o objetivo de fornecer seletividade para um instrumental
analítico multivariado;
ii) Extração de informações: ferramentas quimiométricas são usadas para
“destravar” informações intrínsecas já presentes nos dados com o objetivo de
melhorar o entendimento da tecnologia química e analítica.
A calibração multivariada é uma das mais bem sucedidas combinações de métodos
estatísticos com dados químicos. Os dados, em geral, são dispostos em forma de matriz, no
qual as linhas da matriz referem-se às amostras obtidas e as colunas referem-se às
variáveis (absorvâncias de um composto em diferentes comprimentos de onda) (ROCHA,
2007).
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 35
A quimiometria é frequentemente aplicada ao Infravermelho próximo, devido ao fato
que a informação do espectro NIR é, em geral, não específica para a maioria das
aplicações. Já para as técnicas de emissão atômica ICP ou espectrometria de massas, as
quais já fornecem seletividade suficiente, não são, frequentemente, alvos da quimiometria
(BAKEEV, 2005).
A combinação da espectroscopia no infravermelho próximo com a calibração
multivariada emergiu na última década como uma alternativa promissora para o controle de
qualidade de insumos farmacêuticos ativos (API) (SARRAGUÇA, SOARES e LOPES, 2011;
FERREIRA, BRAGA e SENA, 2013), fornecendo métodos que são simples, rápidos, não
destrutivos e de baixo custo. Além disso, os métodos baseados em NIR são ambientalmente
amigáveis e livres de solventes, não geram resíduos químicos, as amostras não necessitam
de preparo prévio, e fornecem a precisão e sensibilidade suficiente com menos intervenção
do analista. O desenvolvimento destes métodos requer um desenho de calibração robusta,
que incorpora todas as possíveis fontes de variação (presença de excipientes, impurezas,
produtos de degradação, umidade, formas cristalinas ou amorfas dos pós, entre outros),
melhorando assim o controle da qualidade do produto final (FERREIRA, BRAGA e SENA,
2013).
A calibração é um processo de construção de um modelo matemático para relacionar
a resposta de um instrumento analítico às propriedades da amostra. Qualquer algoritmo de
calibração que possa ser claramente definido em uma expressão matemática exata e
fornece resultados adequados, pode ser utilizado. Todas as amostras devem fornecer
resultados quantitativos dentro do intervalo de precisão como definido pelo método e mesmo
que com a presença de diversos interferentes, o modelo de calibração deverá fornecer uma
quantificação correta. Dentre os modelos de regressões multivariados, podemos citar a
Regressão Linear Múltipla (MLR), Regressão pelo Componente Principal (PCR) e os
Mínimos Quadrados Parciais (PLS) (BRITISH PHARMACOPOEIA, 2010).
O fluxograma abaixo mostra um esquema geral dos métodos de calibração
(FERREIRA, et al., 1999):
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 36
Figura 5. Fluxograma para escolha do método de calibração multivariado
Fonte: Adaptado de Ferreira, 1999.
Os métodos tradicionais de calibração CLS (método clássico de mínimos quadrados)
e MLR (regressão linear múltipla), têm suas vantagens e desvantagens quando aplicados a
problemas químicos. Ambos utilizando toda a informação contida na matriz de dados X para
modelar a concentração, isto é, toda a informação espectral, incluindo informações
irrelevantes (FERREIRA, et al., 1999).
O MLR é o melhor método para sistemas bem comportados (respostas lineares, sem
interferentes, sem interações entre analitos, com baixo ruído e nenhuma colinearidade). A
limitação do MLR está no fato de além de incluir todas as informações do espectro (incluindo
as irrelevantes) também ocorre problema na etapa de inversão da matriz (X’X). Se a matriz
contiver menos linhas que colunas (menos amostras que variáveis), ela não poderá ser
invertida e a solução não existirá (SENA, et al., 2000).
Seria interessante, portanto, utilizar um método que, como o CLS, usasse o espectro
por inteiro para análise, e como o MLR, requereria somente a concentração do analito de
interesse no conjunto de calibração (FERREIRA, et al., 1999).
Dois métodos que preenchem estes requisitos são PCR (regressão pelo componente
principal, do inglês, Principal Component Regression) e PLS (mínimos quadrados parciais,
do inglês, Partial Least Squares). Estes dois métodos são consideravelmente mais eficientes
para lidar com ruídos experimentais, colinearidades e não linearidades. Todas as variáveis
relevantes são incluídas nos modelos via PCR ou PLS, o que implica que a calibração pode
ser realizada eficientemente mesmo na presença de interferentes, não havendo
necessidade do conhecimento do número e natureza dos mesmos. Os métodos são
robustos, isto é, seus parâmetros praticamente não se alteram com a inclusão de novas
amostras no conjunto de calibração (FERREIRA, et al., 1999).
SIM
SIM
NÃO
NÃO
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 37
Ambos os modelos de regressão PCR e PLS ao invés de utilizar as variáveis
originais, utilizam os scores obtidos em uma PCA, no entanto o PLS difere do PCR pelo fato
de o PLS utilizar a informação das variáveis dependentes Y no cálculo das chamadas
variáveis latentes (SENA, et al., 2000).
O PLS pode ser considerado como o método mais utilizado para a construção de
modelos de calibração multivariada. Esse método realiza uma análise de fatores em que a
matriz de espectros é decomposta em matrizes de variações (pesos) onde os escores
representam a contribuição de cada amostra (ROCHA, 2007).
No PLS, tanto a matriz das variáveis independentes X, como a das variáveis
dependentes Y são decompostas pela Análise de Componentes Prinicipais da mesma
forma, cujo objetivo é transformar dados complexos para que as informações mais
importantes e relevantes se tornem mais fáceis de visualizar. Para isso, a matriz original X,
que é uma tabela onde os dados químicos multivariados é reconstruída para 2 matrizes
menores denominadas matrizes de escores (T) e de pesos (P) e uma matriz de resíduos (E)
que indica a parte não modelada como mostrado na Figura 6 (ROCHA, 2007):
Figura 6. Decomposição da matriz X nas matrizes de escores (T), pesos (P) e resíduos (E).
Fonte: ROCHA, 2007.
Neste caso, X é a matriz original constituída de “m” linhas (objetos amostrais) e “n”
colunas (variáveis); T é a matriz de escores com “m” linhas e “d” colunas (número de
componentes principais); P é a matriz de pesos com dimensões “d” número de linhas e “n”
número de colunas e E é a matriz de resíduos com “m” linhas e “n” colunas (ROCHA, 2007).
Entrentanto, na PCA há um inconveniente, pois a análise é realizada em cada matriz
separadamente, podendo resultar numa relação não muito satisfatória (não linear) entre os
escores (T) dos dois blocos (X e Y). Para isso, utiliza-se o PLS, uma vez que ele é capaz de
realizar uma leve mudança nos valores dos escores, de forma a produzir a melhor relação
possível, ou seja, há uma leve rotação no eixo das componentes principais para obtenção
de uma maior correlação com o vetor de dados y. Então, essas novas componentes
principais passam a se chamar de variáveis latentes (FOULK, 2005). Como pode ser
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 38
notado, há um compromisso entre a habilidade dos componentes principais em descrever as
amostras nos espaços individuais (modelagem dos blocos X e Y), e o aumento na correção
entre os escores (ROCHA, 2007). A Figura 7 mostra uma representação geométrica do PLS
com uma variável latente modelando os dados do bloco de variáveis independentes (X) e o
das variáveis dependentes (Y).
Figura 7. Representação geométrica do PLS com uma variável latente modelando os dados
de X (variáveis independentes) e Y (variáveis dependentes). Os dados X formados por três
variáveis e dados de Y por duas variáveis.
Fonte: Adaptado de ROCHA, 2007.
2.4. Cartas de controle multivariadas
O controle de processo estatístico multivariado utilizado para checar o desempenho
de processos no controle de qualidade está se tornando cada vez mais importante, diante
do crescimento do número de variáveis que podem ser medidas (BARTHUS e POPPI, 2002;
NIJHUIS, JONG e VANDEGINSTE, 1997; NIJHUIS, JONG e VANDEGINSTE, 1999;
SKIBSED, et al., 2005). Um dos exemplos da implantação de ferramentas estatísticas
multivariadas ao controle em processo são as cartas de controle, uma vez que elas
permitem detectar possíveis desvios operacionais.
X Y
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 39
As cartas de controle não permitem a identificação de quais são as causas especiais
de variação que estão atuando em um processo fora de controle estatístico, mas ela
processa e dispõe informações que podem ser utilizadas na identificação destas causas.
Além disso, é uma ferramenta de grande utilidade, pois incorpora também o conceito de
boas práticas de fabricação, uma vez que permitem a investigação detalhada de todos os
pontos críticos de controle, diagnosticando as possíveis não conformidades em todas as
etapas do processo, e de sinalizar as possíveis fontes de desvios de qualidade
possibilitando correções e interações com o processo (MOREIRA, 2011).
A primeira utilização de cartas de controle foi em 1920 por Walter A. Shewhart. Esta
carta baseia-se no princípio de que a distribuição normal, em cerca de 99,73% das
observações está entre ± 3σ (SANTOS-FERNANDÉZ, 2012). O valor de uma medida
correspondente ao valor desejado mediante a característica de qualidade é chamado o valor
nominal. Estes valores-alvos possuem, em geral, uma faixa de valores suficientemente
próximos a ele, de modo a não influenciar a função ou o desempenho do produto. O maior e
o menor valor permitido para uma característica de qualidade são chamados de limites
superior e inferior de qualidade, respectivamente (COSTA, 2014). No entanto, para alguns
testes há a exigência de apenas o limite inferior de qualidade, como por exemplo, na
dissolução.
As cartas de controle podem ser divididas em univariada e multivariadas, de acordo
com o número de características de qualidade que elas monitoram (TUERHONG e KIM,
2014). As cartas de controle tradicionais são univariada, ou seja, fazem o monitoramento de
variáveis individuais, e são utilizadas para monitorar propriedades importantes da qualidade
do produto final. As mais utilizadas são Shewhart (XIANG, RAN-FENG e ZHI-YONG, 2017),
CUSUM (do inglês, Cumulative Sum) e Gráficos EWMA (do inglês, Exponentially Weighted
Moving-Averag) (APARISI e CARLOS GARCÍA-DÍAZ, 2004).
As cartas de controle EWMA foram introduzidas por Roberts (1959) como uma
alternativa às cartas de controle Shewhart para possibilitar a detecção de pequenas
mudanças no processo. No entanto, as cartas de controle Shewhart levam em conta apenas
as informações presentes no processo e não detectam rapidamente mudanças menores que
de dois desvios-padrão. Ainda tem a limitação de que só podem monitorar uma variável de
cada vez (WANG e ONG, 2008).
Cartas univariada, tais como as cartas de Shewhart, CUSUM e EWMA são indicadas
quando é necessário apenas manter cada variável no seu ponto de operação, mas não
estão em conformidade com processos contínuos multivariados com colinearidades, que é o
que ocorre na maioria dos processos químicos. Neste sentido, o uso de PCA tem uma
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 40
grande vantagem, uma vez que ele promove a remoção da colinearidade existente entre as
variáveis (COSTA, 2014), portanto, abrindo margem para as cartas de controle
multivariadas.
Existem na literatura vários tipos de cartas de controle multivariadas, dentre as quais
as que se baseiam em T² Hotelling’s (TUERHONG e KIM, 2014) (VERDIER, 2013) (JULIA,
et al., 2010), MCUSUM (KIM, et al., 2012) (BODNAR e SCHMID, 2011), Shewhart-CUSUM
combinada (RIDWAN, et al., 2017), Shewhart-type multivariada (HUMAN, CHAKRABORTI e
SMIT, 2010), scores de PCA (MARENGO, et al., 2005) (COSTA, et al., 2015) e vetor NAS
(ROCHA e POPPI, 2011) (COSTA, et al., 2015).
De acordo com Tuerhong (2014), a carta de controle multivariada mais amplamente
utilizada é a T² Hotteling’s. Seu monitoramente estatístico é analisado através da distância
entre uma observação e uma média-escalar, estimada através de observações de amostras
que estão dentro de um controle. O limite de controle de cartas de controles T² Hotteling’s é
proporcional ao percentil da distribuição F, assumindo que o dado segue uma distribuição
normal multivariada. A necessidade desse pressuposto de distribuição restringe a
aplicabilidade do conceito das cartas de controle T² Hotteling’s para situações as quais os
dados são distribuição de forma não normal. Dessa forma, diversas outras cartas de
controles foram propostas ao longo das pesquisas.
Dentro da quimiometria, é possivel destacar como uma das ferramentas mais
importantes, o conceito de Sinal Analítico Líquido (NAS). Trata-se de um avanço na teoria
da calibração multivariada, a qual permite a decomposição de um sinal analítico na
informação específica de uma substância e nos seus interferentes, os quais podem estar
presentes na amostra. A partir dai, pode-se ser usados para calcular os valores de figuras
de mérito (FOM) ou parâmetros de validação em aplicações farmacêuticas. Pode, ainda, ser
definido como a parte do sinal analítico exclusivamente relacionado com a substância a
analisar ou a propriedade de interesse, o qual é ortogonal em relação ao espaço das
interferências. Este conceito foi proposto pela primeira vez por LORBER (1986), para os
métodos de calibração multivariada (mínimos quadrados clássicos), mas tem encontrado
poucas aplicações até anos atrás, quando foi melhorado e alargado para métodos de
calibração inversos multivariados, tais como PLS (regressão por mínimos quadrados
parciais) e PCR (regressão de componentes principais) (FERREIRA, BRAGA e SENA,
2013).
Usando cartas de controle com base no sinal de rede do analito, o conteúdo de
analito, as variações de outros compostos, e variações residuais podem ser monitoradas. O
sinal de analito também pode ser usado em análise farmacêutica como um procedimento
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 41
em calibração multivariada para seleção de variáveis, para realizar adição de padrão
(ASADPOUR-ZEYNALI e BASTAMI, 2010) e para o cálculo das figuras de mérito (ROCHA,
et al., 2010).
As cartas de controles baseadas no sinal analítico líquido levam em conta a divisão
do espectro em quatro constituintes: (NAS+resíduos), NAS, resíduos e interferentes,
conforme Figura 8.
Figura 8. Representação da divisão do espectro (r) em quatro diferentes partes: r┴
(NAS+resíduos), NAS (rk*), resíduos (rres) e interferentes (rint)
Fonte: ROCHA (2010).
Na Figura 10, o vetor “r” representa o vetor de dados, enquanto que o vetor “r┴”
representa o vetor resultante da decomposição do vetor “r” que é perpendicular ao vetor
interferente “rint”. Realizando a decomposição do vetor “r┴” encontra-se como resultado o
vetor NAS “rk*” e o vetor resíduos “rres”. As linhas pontilhadas em vermelho representam a
projeção do vetor “r” no espaço dos interferentes e o vetor resíduo “rres”. Enquanto que “bk”
representa a direção na qual foi projeto o vetor analito “rk*”.
A figura geométrica que se aproxima de uma elipse mostrada no espaço dos
interferentes indica o limite tolerável nesse espaço para dizer se determinada amostra está
dentro ou fora de controle, enquanto que, os eixos representados dentro dessa figura
representam as duas primeiras componentes principais obtidas pelo PCA.
Após essa divisão, são criadas três cartas de controle (NAS, interferentes e resíduos)
para cada parte da divisão espectral, com o intuito de monitorar se as amostras estão dentro
ou fora de controle. Para isso, são necessárias três fases: construção do modelo, cálculo
dos limites estatísticos e validação do método.
Para se construir as cartas de controle, são necessárias duas etapas. A primeira
refere-se à criação do espaço dos interferentes que descreve todas as variações dos
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 42
constituintes da amostra, exceto do analito, enquanto a segunda baseia-se no cálculo do
vetor de regressão NAS (bK). Para isso, dois grupos de informações são necessários:
amostras que contém informação somente do excipiente, denominada placebo, e amostras
que contém a informação do medicamento. Para o cálculo do espaço dos interferentes
utiliza-se a matriz placebo (Rk). Para isso é feito o PCA da matriz placebo com “A”
componentes principais, conforme equação abaixo (COSTA, 2014):
Equação 1. Construção Carta NAS – Passo 1.
Onde:
M: é o espectro centrado na média de um conjunto de amostras dentro das especificações
de qualidade, chamadas de NOC (do inglês, Normal Operating Conditions).
P: matriz “loadings” de dimensão (JxK), onde “J” refere-se ao número de variáveis e “K” ao
número de componentes principais usado pelo PCA.
T: matriz “scores”.
E: matriz resíduos.
Após essa fase, utiliza-se a matriz de “pesos” para definir o espaço dos interferentes
conforme a Equação 2 (COSTA, 2014):
Equação 2. Construção Carta NAS – Passo 2.
Onde:
rint: vetor interferente de dimensão (jx1), onde “j” refere-se ao número de variáveis.
r: vetor de dados que contém a informação do analito junto com a informação do excipiente
com dimensão (jx1).
P+: é a inversa de Moore-Penrose da matriz dos scores.
A segunda etapa da construção do modelo leva em conta o cálculo do vetor de
regressão NAS de acordo com as equações abaixo (COSTA, 2014):
Equação 3. Construção Carta NAS – Passo 3.
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 43
Onde:
bk: matriz que contém os vetores que são ortogonais ao espaço dos interferentes de
dimensão (jxlmod) em que “lmod” é o número de amostras dentro de controle utilizadas para o
cálculo do vetor de regressão NAS, enquanto que o subscrito “k” refere-se à matriz que
contém a informação do analito de interesse.
Ij: matriz identidade de dimensão (jxj).
Rmod: matriz de dados na qual existem somente amostras dentro de controle e com
dimensão (jxlmod).
Após isso, é calculado a média dos vetores da matriz Bk, com o intuito de achar uma
direção única para os vetores ortogonais ao espado dos interferentes (COSTA, 2014). Esse
novo vetor é denominado vetor de regressão NAS e é calculado da seguinte forma:
Equação 4. Construção Carta NAS – Passo 4.
Onde:
bk: vetor de regressão NAS com dimensão (jx1)
Agora o vetor NAS (rk*) pode ser computado pela projeção do espectro na direção do
vetor de regressão NAS, conforme mostrado na Figura 9, através da Equação 5 (COSTA,
2014).
Equação 5. Construção Carta NAS – Passo 5.
É importante notar, na Figura 9, que existe uma pequena diferença entre “r┴” e “rk*”
que é o vetor resíduo (COSTA, 2014). Então, como:
Equação 6. Construção Carta NAS – Passo 6.
Logo,
Equação 7. Construção Carta NAS – Passo 7.
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 44
Onde:
rres: vetor resíduo
rk*: vetor NAS
rint: vetor interferente
r: vetor de dados
Uma vez decomposto o espectro nas três contribuições, as cartas são
desenvolvidas. O vetor NAS corresponde diretamente à concentração do analito, de modo
que pode ser usado para construir um gráfico de controle que reflete a quantidade de analito
na amostra. Os limites são derivados a partir do desvio padrão da média do vetor NAS (rk*) e
são calculadas usando 95% de confiança, conforme Equação 8, a partir da média e do
desvio padrão do vetor NAS (ROCHA, 2007; COSTA, 2014).
Equação 8. Construção Carta NAS – Passo 8.
Lim95% = 𝐫k* ± 2S 𝐫k*
A carta dos interferentes é construída pela projeção da matriz NOC no espaço dos
interferentes, segundo a Equação 9 (COSTA, 2014).
Equação 9. Construção Carta NAS – Passo 9.
𝐑𝒊𝒏𝒕 = 𝐏𝐏 +𝐑𝑵𝑶𝑪
Os espectros das amostras “sob controle” (chamado 𝐑𝐢𝐧𝐭) devem ocupar uma região
restringida do espaço de interferência. As novas amostras, também “sob controle”, que
forem projetadas no espaço interferência deverão ocupar a mesma região. Amostras “fora
de controle” serão projetadas numa região distante. E é justamente essa distância da
projeção de um espectro no espaço de interferência que é usado para construir a carta de
controle dos interferentes. Para o desenvolvimento desta carta, os scores de cada espectro,
correspondente a novas coordenadas no espaço dos interferentes, são calculados segundo
a Equação 10 (COSTA, 2014):
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 45
Equação 10. Construção Carta NAS – Passo 10.
𝐓𝐍𝐎𝐂 = 𝐑T𝐢𝐧𝐭 𝐏(𝐏T𝐏)−1
O d-estatístico para cada espectro é usado para checar se novas amostras tem a
mesma covariância que as amostras dentro do controle, conforme Equação 11 (COSTA,
2014):
Equação 11. Construção Carta NAS – Passo 11.
𝐝𝐍𝐎𝐂 = (𝐭𝐍𝐎𝐂 − 𝐭 𝐍𝐎𝐂)T 𝐒−1(𝐭𝐍𝐎𝐂𝐢 − 𝐭 𝐍𝐎𝐂)
Onde 𝐭 𝐍𝐎𝐂 é a média do vetor 𝐭𝐍𝐎𝐂 e 𝐒 é a covariância da matriz centrada T𝐍𝐎𝐂.
O d-estatístico, dividido por algumas constantes, segue uma distribuição F com 𝐴 e
(𝐼𝑁𝑂𝐶 − 𝐴) graus de liberdade. Em que 𝐴 é o número de componentes principais usadas no
modelo e 𝐼𝑁𝑂𝐶 o número de amostras dentro do controle. De modo que finalmente o limite da
carta dos interferentes pode ser calculado como descrito na Equação 12 (COSTA, 2014):
Equação 12. Construção Carta NAS – Passo 12.
𝐷𝑙𝑖𝑚,∝ =𝐴 (I2𝑁𝑂𝐶 −1) 𝐹∝
I𝑁𝑂𝐶(I𝑁𝑂𝐶−𝐴)
O valor de 𝐹∝ é tabelado para uma distribuição F com ∝ níveis de confiança
(MILLER e MILLER, 2005). A carta dos resíduos é calculada pela diferença dos vetores 𝐫k* e
𝐫int de 𝐫𝐍𝐎𝐂, conforme mostrado na Equação 13 (COSTA, 2014):
Equação 13. Construção Carta NAS – Passo 13.
𝐫𝐫𝐞𝐬 = 𝐫𝐍𝐎𝐂 − 𝐫𝐢𝐧𝐭 – 𝐫k*
Os limites da carta dos resíduos são calculados com base no Q estatístico e são
usados para verificar se o resíduo de novas amostras não é devido somente ao ruído
aleatório, isto porque, para amostras dentro do controle deveriam conter apenas ruído de
distribuição aleatória. Valores de Q estatístico muito elevados podem implicar em presença
de erros sistemáticos, calculados segundo a Equação 14 (COSTA, 2014):
Equação 14. Construção Carta NAS – Passo 14.
𝑄𝑁𝑂𝐶 = 𝑅T𝑟𝑒𝑠 𝑅𝑟𝑒𝑠 ≈ 𝑔𝑋2ℎ
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 46
O Q estatístico segue uma distribuição Q², onde o escalonamento do fator “g” e os
graus de liberdade “ℎ” são chamados os momentos correspondentes da distribuição.
Utilizando o NAS, existem alguns trabalhos, como o de Skibsted et al. (2005) que
utilizaram a espectroscopia NIR para fazer a determinação da homogeneidade de misturas
de princípios ativos, um importante processo de controle de formulações sólidas. Esse
método foi calculado a partir do NAS e mostrou bons resultados, sobretudo pelo fato de ser
rápido, fácil, não destrutivo e providenciar testes estatísticos para o estudo de
homogeneidade. A homogeneidade foi caracterizada por dois métodos e validada com os
dados obtidos por cromatografia líquida de alta eficiência (CLAE) (COSTA, 2014).
Novas cartas de controle multivariadas com base no sinal analítico líquido (NAS) têm
sido propostas para realizar o monitoramento da qualidade multivariada de fármacos, como
por exemplo: teste de homogeneidade de excipiente e fármaco (SKIBSTED, et al., 2005), do
polimorfismo do Piroxicam (ROCHA, et al., 2010) e do teor de Isoniazida e Rifampicina
(COSTA, et al., 2015), todas construidas, conforme descrito anteriormente (3 cartas de
controle) e os resultados encontrados foram bem sucedidos, mostrando que o método é
aplicável para o monitoramento de produtos farmacêuticos.
2.5. Olanzapina
2.5.1. Propriedades Fisico-Quimicas
A Olanzapina (Figura 9) é um agente psicotrópico ou antipsicótico pertencente à
classe das tienobenzoadizepinas, obtidas a partir de modificações na estrutura química da
clozapina, trazendo como vantagem a ausência de efeitos hematológicos. Ela mostra alta
afinidade in vitro por receptores de serotonina, dopamina, muscarina e histamina
(MALHOTRA e SHRIVASTAVA, 2013).
Devido a sua forma cristalina com caráter lipofílico, a Olanzapina é um fármaco muito
pouco solúvel em água afetando sua dissolução e consequentemente absorção. Segundo
estudos conduzidos por Rêgo, Moura e Moita (2010), a Olanzapina apresentou boa
solubilidade em metanol, etanol, propanol, isopropanol, butanol e álcool butílico terciário. O
mesmo estudo demonstrou evidência de fotodecomposição desse fármaco. Isto mostra que
uma solução de Olanzapina apresenta sensibilidade à luz, porém quando protegida, pode
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 47
ser estocada em temperaturas médias que variam de 4,0 ± 3,0°C (em refrigeração) e 25 ±
5,0°C (ambiente).
Foi relatado que a olanzapina (2-metil-4-(4-metil-1-piperazinil)-10H-tieno-[2,3-b] [1,5]
benzodiazepina) cristaliza em pelo menos 25 formas sólidas, incluindo polimorfos, solvatos e
hidratos (CAPUANO, et al., 2003; REUTZEL-EDENS, et al., 2003; WARZYCKA-
GORCZYCA, et al., 2004; POLLA, et al., 2005; AYALA, et al., 2006).
Dentre os produtos de degradação gerados em processos de instabilidade da
Olanzapina, a farmacopeia americana (USP, 2011) relata e comercializa 3 desses
compostos, os quais estão mostrados nas Figuras 10, 11 e 12. Os demais produtos
encontrados em uma análise cromatográfica são considerados produtos desconhecidos.
Figura 9. Estrutura molecular da Olanzapina
Fonte. Autoria própria, 2017.
Figura 10. Estrutura molecular da [5-metil-2-((2-nitrofenill)amino)-3-tiofenocarbonitrila
Olanzapina Composto Relacionado A
Fonte. Autoria própria, 2017.
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 48
Figura 11. Estrutura molecular da [2-metil-10H-tieno-[2,3-b][1,5] benzodiazepina-4[5H]-one]
Olanzapina Composto Relacionado B
Fonte. Autoria própria, 2017.
Figura 12. Estrutura molecular da [(2-metil-4-(4-metilpiperazina-1-il)-10H-benzo[b]tieno[2,3-
e][1,4]diazepina 4’-N-oxido]
Olanzapina Composto Relacionado C
Fonte. Autoria própria, 2017.
2.5.2. Propriedades Farmacológicas
Antipsicóticos convencionais foram introduzidos na década de 1950 e todos tinham
capacidade similar para aliviar os sintomas positivos da esquizofrenia. A maioria desses
antipsicóticos mais antigos "convencionais" diferiam nos efeitos colaterais que eles
produziam. Antipsicóticos típicos são classificados pela sua estrutura química e da potência
com que se ligam à receptores dopamina tipo 2 (D2) (AYALA, et al., 2006).
O primeiro medicamento da família dos neurolépticos atípicos foi a clozapina,
seguido por olanzapina, sendo este último um dos medicamentos mais utilizados desta
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 49
família. A olanzapina é um benzoadizepínico relativamente novo que provou ter eficácia
contra os sintomas positivos e negativos da esquizofrenia, transtorno bipolar e outras
psicoses (FULTON e GOA, 1997; CALLAGHAN, et al., 1999; BHANA e PERRY, 2001;
BHANA, et al., 2001; BITTER, et al., 2004; AYALA, et al., 2006). Existe evidência
significativa de suas propriedades estabilizadoras do humor (VIETA e GOIKOLEA, 2005;
AYALA, et al., 2006).
Embora muitos fármacos antipsicóticos atípicos têm sido desenvolvidos e alguns
deles aprovados para o tratamento da esquizofrenia, a olanzapina é ainda inestimável para
a psicose, com maior eficácia clinica (KELLEHER, et al., 2002; CAMPIANI, et al., 2004).
BITTER e colaboradores (2004) demonstraram a eficácia e a segurança da
olanzapina em relação à clozapina em pacientes esquizofrênicos que não responderam
adequadamente à clozapina ou que experimentaram efeitos adversos intoleráveis
associados a ela.
2.5.3. Mecanismo de ação
A olanzapina é um agente antipsicótico atípico da classe dos benzoadizepínicos, foi
aprovado pela FDA para o tratamento das manifestações de perturbações psicóticas em
1996 (FULTON e GOA, 1997; KANDO, et al., 1997). Por ser um fármaco de excelência na
escolha para o tratamento da esquizofrenia, diversas formulações são encontradas no
mercado. Segundo o site da ANVISA existem 37 registros de indústrias farmacêuticas
nacionais e internacionais de formulações disponíveis da Olanzapina, em diversas
apresentações, dentre essas, 19 registros são de medicamentos genéricos.
Seu mecanismo de ação é baseado no bloqueio de múltiplos receptores de
neurotransmissores, incluindo os receptores cerebrais dopaminérgicos D1, D2, D3, D4;
serotonérgicos 5 -HT2A, 5 - HT2C, 5 - HT3, os receptores 5 - HT6, catecolaminas nos
receptores alfa 1 adrenérgicos, nos receptores de acetilcolina muscarínicos e histamina nos
receptores H1 (BYMASTER, et al., 1996).
A olanzapina tem cinco vezes mais afinidade para os receptores 5 - HT2 do que
para os receptores D2 (STEPHENSON e PILOWSKY, 1999) e é usada para tratar a
esquizofrenia e delírio. (KIM, et al., 2001).
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 50
A olanzapina pode reduzir as necessidades de opióides em doentes oncológicos com
dor não controlada, déficit cognitivo ou ansiedade (KHOJAINOVA, et al., 2002). O
mecanismo detalhado do efeito da olanzapina na redução da náusea e vômito induzida pela
quimioterapia (QINV) é desconhecido, mas a olanzapina pode bloquear neurotransmissores
dopamina e serotonina, que são mediadores de QINV conhecido (BYMASTER, et al., 1996;
BYMASTER, et al., 2001). Também bloqueia a serotonina, mediador do receptor 5 - HT2C,
um receptor que tem sido mostrado para mediar atividade antiemética em modelos animais
(emese induzida por cisplatina e anorexia induzida por cisplatina no hipotálamo de ratos)
(RUDD, et al., 2006; YAKABI, et al., 2010) bem como a perda de peso em humanos
(HURREN e BERLIE, 2011).
O maior benefício que a Olanzapina apresenta comparado aos outros antipsicóticos
é não ser inibidor do citocromo P450, desta forma possui menos interações medicamentosas
(BYMASTER, et al., 1996). Seu efeito secundário mais comum é a sedação (ALLISON e
CASEY, 2001).
2.5.4. Farmacocinética
A Olanzapina é bem absorvida pelo trato gastrointestinal depois de sua
administração oral, porém sofre considerável efeito de primeira passagem. O pico da
concentração plasmática (Cmáx) é alcançado em cerca de 5 a 8h depois da dose oral
(MARTINDALE, 2007).
A Olanzapina é cerca de 93% ligada as proteínas plasmáticas, extensivamente
metabolizada no fígado, primariamente pela glucoronidação direta e por oxidação mediada
através das enzimas do citocromo P450 isoenzimas CYP1A2, e em menor extensão, pela
CYP2D6. Os dois principais metabólitos 10-N-glucuronide e 4’-N-desmethyl olanzapine
parecem ser inativos. Cerca de 57% de uma dose é excretada na urina, principalmente
como metabólitos, e cerca de 30% aparece nas fezes (MARTINDALE, 2007).
A meia-vida média de eliminação plasmática é frequentemente relatada como sendo
de 30 a 38 horas; a meia-vida tem sido maior em mulheres do que em homens e, é
distribuída no leite materno (MARTINDALE, 2007).
A Olanzapina é uma substância classe II exibindo baixa solubilidade (0,0343 mg/mL)
em água em toda faixa do pH fisiológico. A partir da análise térmica pela Calorimetria
Exploratória Diferencial (DSC) foi possível evidenciar um pico endotérmico intenso e bem
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 51
definido a 197,9°C, o qual corresponde à temperatura de fusão do fármaco (FREITAS, et al.,
2012). Possui a capacidade de formar polimorfos, hidratos e diversos solvatos durante seu
processo de fabricação, totalizando 6 formas cristalinas polimórficas (WARZYCKA-
GORCZYCA, et al., 2004). REUTZEL-EDENS e colaboradores (2003) caracterizaram três
diferentes anidridos e três formas di-hidratadas, além de demonstrarem a presença de
diversos solvatos (POLLA, et al., 2005).
Devido a esta capacidade e sabendo que as diversas formas cristalinas ou não
podem apresentar comportamentos físicos distintos e influenciar tanto as propriedades
físicas da formulação, quanto à biodisponibilidade do ativo, é de vital importância à
caracterização de qual forma polimorfo da Olanzapina será utilizada durante o processo de
fabricação.
2.5.5. Ferramentas Analíticas para Avaliação da Qualidade da Olanzapina
Tão importante quanto conhecer as suas características é a determinação de sua
concentração e pureza, quando o fármaco em estudo encontra-se em uma mistura, seja
complexa ou simples. Para isso, devem-se utilizar ferramentas analíticas, as quais usam
processos físico-químicos para separar o analito de estudo dos demais e assim realizar
ensaios qualitativos e quantitativos. Para isso, a Cromatografia Líquida de Alta Eficiência,
segundo a Farmacopeia Brasileira (BRASIL, 2010), vem sendo realizada como método de
referência, para quase todos os fármacos presentes em compêndios oficiais. Para o fármaco
em estudo nesta tese (Olanzapina), a sua identificação e quantificação, segundo a
Farmacopeia Americana foi feita por CLAE (USP, 2011).
2.6. Métodos de Cromatografia Líquida
Cromatografia Líquida de Alta Eficiência (CLAE) ou do inglês High Performance
Liquid Chromatography (HPLC) é uma técnica cromatográfica amplamente utilizada que
emprega fenômenos físicos de separação pela utilização de uma fase estacionária capaz de
reter moléculas de interesse e uma fase móvel com fluxo de um líquido controlado
responsável pela eluição das moléculas para uma perfeita separação. Devido a sua
funcionalidade, CLAE tem sido utilizado em amplo campo, mas especificamente em análises
farmacêuticas. A cromatografia em fase reversa é o tipo mais comum de CLAE e é
F U N D A M E N T O S T E Ó R I C O S P á g i n a | 52
amplamente utilizada para separar constituintes muito similares. Essa técnica geralmente
emprega colunas apolares, comumente C18 (sílica ligada a 18 átomos de carbono), com
solventes polares constituintes da fase móvel (ZHU e CHEN, 2017).
Quando se fala em análises farmacêuticas, a CLAE tem sido considerada
fundamental, uma vez que auxilia o desenvolvimento e descoberta de novos fármacos, bem
como para controlar sua qualidade (ZHU e CHEN, 2017). As exigências para as análises
farmacêuticas são elevadas, como sinais quantitativos com precisão e exatidão confiáveis,
versatilidade, poder de resolução, robustez, de fácil uso e boa compatibilidade com
detectores UV e de espectrometria de massa (PIETERS, DEJAEGHER e HEYDEN, 2010).
É possível encontrar na literatura diversos métodos cromatográficos aplicados à
análise da Olanzapina, por exemplo, na determinação simultânea de Olanzapina e
Fluoxetina em plasma humano utilizando cromatografia líquida acoplada a espectrometria
de massas (BONDE, et al., 2014) e utilização de cromatografia líquida de interação
hidrofílica (HILIC) para determinação de Olanzapina em comprimidos revestidos de 10 mg
(TUMPA, et al., 2017). Já Hendrickx e colaboradores (2017) desenvolveram método por
cromatografia líquida capilar com detector ultravioleta para detecção e análise simultânea da
Olanzapina, Clorpromazina e seus metabólitos em amostras de microdialisados cerebrais.
Métodos indicativos de estabilidade também são descritos na literatura, por exemplo, na
determinação de Olanzapina em soro por cromatografia líquida de ultra eficiência acoplada
ao detector de massas (ANDREASSEN, FALCH e SPIGSET, 2015).
No entanto, em uma escala industrial, a utilização da CLAE torna-se limitada, uma
vez que é considerado como método analítico destrutivo, ou seja, é necessário transformar
a amostra em uma solução da qual não poderá voltar ao seu formato de origem. Com isso,
as aplicações da CLAE permitem que apenas uma pequena parte de um lote industrial seja
amostrada e o resultado encontrado (doseamento, dissolução ou uniformidade), se torne
verdadeiro para o todo. Contudo, novas tecnologias de controle em processo vêm sendo
estudadas para que outras ferramentas analíticas, não destrutivas, possam auxiliar em um
controle que não seja de apenas uma fração, mas o lote completo.
Além disso, é possível notar que em todas as aplicações anteriormente citadas, o
mesmo padrão de método é criado: análises mais demoradas e de elevado custos, tanto
para realizar a análise (solventes, mão de obra especializada e geração de resíduos), bem
como para manter o equipamento.
Uma das alternativas para que esses problemas sejam, no mínimo, reduzidos vem
do conceito de Tecnologia Analítica em Processo, a qual está se tornando realidade nas
indústrias das mais diversas áreas.
O B J E T I V O S P á g i n a | 52
3. OBJETIVOS
3.1 OBJETIVO GERAL
Aplicação do infravermelho próximo para construção da Tecnologia Analítica em
Processo na produção da Olanzapina comprimidos revestidos.
3.2 OBJETIVOS ESPECÍFICOS
1 Construir modelo de calibração multivariada para análise do teor da Olanzapina, por
Infravermelho Próximo, presente das misturas dos componentes da formulação de
Olanzapina comprimidos revestidos;
2 Construir cartas multivariadas dos comprimidos de Olanzapina, através do
Infravermelho Próximo, para classificar as unidades farmacêuticas que estiverem
dentro e fora dos padrões de qualidade;
3 Construir modelo de calibração multivariada para análise da umidade, por Karl
Fischer e por Infravermelho Próximo, do granulados da mistura de Olanzapina e
excipientes.
C A P Í T U L O 1 P á g i n a | 53
Capítulo 1
C A P Í T U L O 1 P á g i n a | 55
Capítulo 1 – DETERMINAÇÃO DO TEOR DE OLANZAPINA EM FORMAS
FARMACÊUTICAS ATRAVÉS DA TÉCNICA DO INFRAVERMELHO PRÓXIMO E
CALIBRAÇÃO MULTIVARIADA
1. INTRODUÇÃO
Antipsicóticos atípicos são um grupo de medicamentos utilizados para o tratamento
psiquiátrico (SEEMAN, 2002). Alguns antipsicóticos atípicos foram aprovados por agências
regulatórias para o tratamento de esquizofrenia, desordem bipolar, autismo e depressão. O
tratamento psiquiátrico de primeira escolha para esquizofrenia e desordem bipolar é a
medicação antipsicótica, o qual inclui a Olanzapina (CITROME, et al., 2011). Olanzapina é
um derivado da tienobenzoadizepina com atividade antipsicótica, antinauseante e
antiemética (NAVARI, 2014).
Diversos métodos analíticos têm sido descritos para a quantificação da Olanzapina
em fluidos biológicos, formulações farmacêuticas e sistemas, utilizando ferramentas tais
como Cromatografia Líquida de Alta Eficiência (CLAE) com ultravioleta (BOULTON,
MARKOWITZ e DEVANE, 2001; D'ARRIGO, et al., 2006) ou detecção eletroquímica
(KASPER, et al., 1999), cromatografia líquida acoplada à espectrometria de massa com
ionização eletrospray (LC-ESI-MS/MS) (NIROGI, et al., 2006) e espectrometria de massa
por imagem (MSI) utilizando espectrometria de massa com ionização por tempo de voo
(MALDI-TOF MS) (HAMM, et al., 2012). Embora os métodos analíticos citados indiquem a
eficácia da cromatografia líquida por possuir precisão, exatidão e reprodutibilidade dos
resultados e métodos analíticos sensíveis para a determinação da Olanzapina em vários
estudos, eles requerem elevado gasto de tempo e requerem experiência do analista ao
realizar a análise. Além disso, eles são considerados métodos destrutivos, os quais
C A P Í T U L O 1 P á g i n a | 56
necessitam de preparação de amostra. Por todas essas questões, a pesquisa por novas
técnicas analíticas é de fundamental importância, especialmente àquelas as quais possuem
baixo custo e são considerados rápidos.
Por outro lado, a espectroscopia no infravermelho próximo (NIR) tem se destacado
como ferramenta poderosa em aplicações na indústria farmacêutica, devido à técnica ser
rápida e não destrutiva, requer pouca ou nenhuma preparação da amostra e sua elevada
precisão. Além disso, não é necessário utilizar reagentes e nenhum resíduo químico é
gerado, em contraste com os métodos analíticos tradicionais (cromatografia líquida, por
exemplo). Hertrampf e colaboradores (2016) relatam a utilização do NIR acoplado com
modelos multivariados para analisar comprimidos contendo dois princípios ativos (bisoprolol
e hidroclorotiazida) em diferentes apresentações comerciais disponíveis. Dois excipientes
farmacêuticos (lactose monohidratada e celulose microcristalina) e um princípio ativo
(acetominofeno) foram utilizados na análise com NIR e os mínimos quadrados parciais
(PLS) por Sánchez-Paternina et al. (2016). Os alvos principais da utilização do NIR em
indústrias farmacêuticas são na análise de identificação de matérias-primas e produtos
acabados (ALVARENGA, et al., 2008), monitoramento de processos de misturas na
produção (BLANCO, BAÑÓ e BETRAN, 2002), determinação do teor do princípio ativo
(BOYER, et al., 2012), testes de dissolução (NEVES, et al., 2012), dureza (BLANCO e
ALCALÁ, 2006) e polimorfismo (BLANCO, et al., 2005).
O uso apropriado de métodos matemáticos e estatísticos (por exemplo, a
quimiometria) é amplamente responsável pelo avanço da técnica do NIR, incluindo técnicas
de calibrações multivariadas, tais como mínimos quadrados parciais (PLS) (BODSON, et al.,
2007), regressão do componente principal (PCR) (XIE e KALIVAS, 1997), rede neural
artificial (ANM) (MAKINO , et al., 2010) e a máquina de vetor de suporte por mínimos
quadrados (LS SVM) (SHAO, et al., 2012). As principais vantagens da utilização das
técnicas de calibração multivariadas listadas acima são rapidez, baixo custo e medida
analítica não destrutível (tal como o NIR). Além disso, podem ser usadas para estimar
propriedades das amostras (por exemplo, parâmetros físico-químicos de formas
farmacêuticas), as quais podem ser consideradas de elevado custo, requerem considerável
tempo e destrutiva (como o CLAE). Ainda, há a necessidade de que esses procedimentos
sejam validados, incluindo, também, a calibração multivariada para que essa seja
considerada como método de análise oficial, especialmente pela legislação farmacêutica.
No NIR, as bandas espectrais são em geral largas e normalmente sobrepostas. É
raro apresentar bandas espectrais seletivas que permitam uma correlação simples com a
concentração do analito. Por este motivo, técnicas de calibração multivariadas são
necessárias para o desenvolvimento de modelos de calibração, através de um conjunto de
treinamento, para extrair informações do analito (HOLLER, SKOOG e CROUCH, 2009).
C A P Í T U L O 1 P á g i n a | 57
Além disso, normalmente se recorre a pré-tratamentos espectrais, com o intuito de diminuir
a interferência de efeitos físicos, relacionados com ruído instrumental, dispersão da luz,
entre outros, os quais podem contribuir na medida do sinal e fornecer resultados enganosos
(COSTA, 2014).
Os pré-tratamentos existentes devem ser feitos antes da construção dos modelos
multivariados, a fim de reduzir ou eliminar sua interferência sobre o espectro. As cartas de
controle, por exemplo, baseiam-se unicamente na informação proveniente dos dados
espectrais, portanto, garantir que variações físicas ou instrumentais não façam parte do sinal
analítico, permitirá a construção das cartas de controle com maior eficiência no
monitoramento de variações de causas especiais (COSTA, 2014).
A seguir serão descritos alguns dos pré-tratamentos mais utilizados nas calibrações
multivariadas:
1.1 Suavização Savitzky-Golay (Smoothing) - SGS
Filtro utilizado para a remoção de ruído de alta frequência nas amostras. A
suavização SGS assume que as variáveis que estão próximas umas das outras na matriz de
dados contêm informações semelhantes e por isto, estão relacionadas umas com as outras,
de modo que se pode calcular a média em conjunto para reduzir o ruído, sem perda
significativa do sinal de interesse (WISE, et al., 2006). O algoritmo ajusta um polinômio de
dados, de intervalos em intervalos, denominados janelas, no qual será feita a suavização.
De acordo com a Equação 15:
Equação 15. Cálculo do tratamento Suavização Savitzky-Golay.
𝐗*𝒊 = 1 Σm
j=m 𝐖𝑗 𝐗𝑖+𝑗
2𝑚+1
Onde X é a matriz que se deseja tratar, X*i a matriz derivada, m o número da janela,
e Wj é um peso calculado por mínimos quadrados.
A Figura 13 corresponde à comparação de um espectro NIR sem pré-tratamento
(esquerda) em comparação com o espectro NIR com pré-tratamento através da Suavização
Savitzky-Golay, com janela de 15 pontos (direita).
C A P Í T U L O 1 P á g i n a | 58
Figura 13. Comparação entre espectros NIR sem tratamento (esquerda) e após Suavização
Savitzky-Golay (direita)
Fonte. Autoria própria, 2017.
Deve-se tomar cuidado na escolha da janela, pois janelas pequenas podem deixar
ruídos remanescentes e janelas muito grandes, podem acarretar em perda de informações
importantes ao modelo. O ajuste adequado desse algoritmo resulta na diminuição dos ruídos
instrumentais aleatórios e o aumento da razão sinal/ruído (COSTA, 2014).
1.2 Espalhamento multiplicativo da luz (MSC)
Amplamente utilizado para a promoção da normalização do espectro, uma vez exista
variações multiplicativas entre os perfis de resposta das amostras. Normalmente causadas
por diferenças no percurso óptico das amostras ou em consequência de processos de
dispersão de luz, para compensar os efeitos de mudança de base, responsável pela
inclinação do espectro (COSTA, 2014).
Nesse pré-tratamento é feito a padronização de cada espectro, por um espectro de
referência, em geral, o espectro de referência utilizado é a média dos espectros, calculado
de acordo a Equação 16:
Equação 16. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 1.
𝐱 𝑘 = 1 ΣNi=1 𝐱𝑖𝑘
𝑁
Em seguida são calculados por meio de uma regressão, os parâmetros 𝑎𝑖
(coeficiente linear) e 𝑏𝑖 (coeficiente angular), individualmente para cada espectro, conforme
Equação 17:
C A P Í T U L O 1 P á g i n a | 59
Equação 17. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 2.
𝐱𝑖𝑘 = 𝑎𝑖 + 𝑏𝑖𝐱 𝑘 + 𝑒𝑖𝑘 (𝑖 = 1, … , 𝑁; 𝑘 = 1, … , 𝑘)
Por fim, os espectros são corrigidos, conforme a Equação 18:
Equação 18. Cálculo do tratamento de Espalhamento multiplicativo da luz – Passo 3.
𝐱𝐢k,corrigido = (𝐱𝐢k − 𝑎𝑖)⁄𝑏𝑖
Na Figura 14 é mostrado o resultado do MSC, aplicado aos mesmos dados do
espectro bruto apresentado na Figura 14 (direita). Conforme pode ser visto, o deslocamento
ao longo do eixo Y é corrigido após a aplicação do MSC.
Figura 14. Comparação entre espectros NIR sem tratamento (esquerda) e após MSC
(direita)
Fonte. Autoria própria, 2017.
1.3 Derivada Savitzky-Golay
Pré-tratamento utilizado para a correção de linha de base, os quais possuem
princípio de funcionamento muito semelhante ao do SGS (NICOLAÏ, et al., 2007). É um
método que deve ser utilizado quando as variáveis são bastante correlacionadas umas com
as outras. A forma mais simples de derivação é a derivada de ordem 1 ou primeira ordem,
na qual cada variável é subtraída imediatamente pela vizinha, a qual provoca a remoção de
sinais iguais entre duas variáveis e mantém apenas a parte do sinal que é diferente entre
C A P Í T U L O 1 P á g i n a | 60
elas (COSTA, 2014). Este processamento enfatiza os sinais de baixa frequência (WISE, et
al., 2006).
O cálculo das derivadas funciona como uma correção da linha de base, e pode ser
entendido através de um modelo linear do tipo y = ax + b. Com a aplicação da primeira
derivada, o termo b é removido, conforme a equação:
Equação 19. Cálculo do tratamento da Derivada.
d𝑎/d𝐱 = 𝑎
Este processamento enfatiza os sinais de baixa frequência (WISE, et al., 2006).
A derivada de ordem 2 é obtida repetindo esse processo. Além de aumentar os
sinais de baixa frequência, ela também aumenta os de alta frequência, ou seja, haverá uma
tendência de aumento de ruído junto com as informações relevantes, por esse motivo, é
adequado usar este processamento em conjunto com o SGS (COSTA, 2014).
A Figura 15 é um exemplo da aplicação da derivada Savitzky-Golay de ordem 1.
Conforme pode ser observado, este pré-tratamento amplifica o sinal analítico, porém
também aumento os ruídos, o que em geral é prejudicial aos modelos de calibração,
portanto utilizar uma Suavização Savitzky-Golay previamente à derivada pode reduzir a
formação do aumento dos ruídos.
Figura 15. Comparação entre espectros NIR sem tratamento (esquerda) e após Derivada de
primeira ordem Savitzky-Golay (direita)
Fonte. Autoria própria, 2017.
C A P Í T U L O 1 P á g i n a | 61
1.4 Escalonamento de Variáveis (Variance STD Scalling)
Em alguns conjuntos de dados é necessário que se faça o escalonamento das
variáveis, uma vez que em muitas técnicas multivariadas a magnitude do sinal analítico é
proporcional ao nível de ruído nas amostras (WISE, et al., 2006). Para isso, esse pré-
tratamento é utilizado, conforme mostrado na Figura 16, já que ele escalona as variáveis
pelo desvio-padrão, quando o ruído é esperado para ser proporcional ao desvio-padrão das
variáveis, de modo a reduzi-lo e evidenciar mais as variáveis espectrais (COSTA, 2014).
Figura 16. Comparação entre espectros NIR sem tratamento (esquerda) e após STD
(direita)
Fonte. Autoria própria, 2017.
1.5 Variável Normal Padrão (Standard Normal Variate – SNV)
Tem o princípio de correlação semelhante ao MSC, porém os fatores de correção
são determinados de modo diferente. O SNV é uma normalização ponderada, o qual calcula
o desvio padrão de todas as variáveis reunidas para uma determinada amostra e em
seguida, normaliza todas elas por este valor. O ajuste multiplicativo é o desvio padrão de
todas as variáveis (WISE, et al., 2006).
Após o cálculo do vetor médio, descrito pela Equação 16, é feito o ajuste, conforme
descrito pela Equação 20:
Equação 20. Cálculo do tratamento de Variável Normal Padrão.
C A P Í T U L O 1 P á g i n a | 62
Onde, é o deslocamento definido pelo usuário e n o número de variáveis.
O SNV melhora a precisão de previsão, mas não simplifica o modelo e nem reduz as
interferências sistemáticas.
Na Figura 17 é mostrado o resultado obtido após a aplicação do SNV (esquerda) em
comparação ao espectro original (direita). Como pode ser visto o resultado deste pré-
tratamento é bastante similar ao do MSC e após a sua utilização as flutuações no eixo Y
diminuem consideravelmente, quando comparados aos espectros originais.
Figura 17. Comparação entre espectros NIR sem tratamento (esquerda) e após SNV
(direita)
Fonte. Autoria própria, 2017.
A utilização dessas ferramentas de pré-tratamentos espectrais visam a extração
máxima de informações contidas nos dados espectroscópicos. Possuem um grande
potencial de melhorar o desempenho das cartas de controle, uma vez que auxiliam na
redução de ruídos instrumentais e elucidação das diferenças espectrais.
Validação ocorre via determinação de diversos parâmetros, conhecidos como
Figuras de Mérito (FOM) (THOMPSON, ELLISON e WOOD, 2002). De acordo com a
Agência Nacional de Vigilância Sanitária (ANVISA) na RDC n° 166, de 24 de julho de 2017
(ANVISA, 2017), validação de um método analítico farmacêutico é realizado seguindo os
parâmetros de: sensibilidade, seletividade, exatidão, precisão, linearidade, intervalo, limite
de detecção (LD) e quantificação (LQ) e robustez. A Farmacopeia Brasileira (BRASIL, 2010)
e a Agência Europeia Regulatória (EMEA) (EMEA/CHMP/CVMP/QWP, 2009) também
adotam os guias para validação de métodos os quais empregam espectroscopia do NIR,
utilizando ferramentas quimiométricas estabelecidas, avaliando parâmetros, tais como:
especificidade, linearidade, intervalo, exatidão, precisão e robustez.
Nesse trabalho, o objetivo foi de determinar quantitativamente o princípio ativo
Olanzapina em diferentes excipientes utilizando o NIR e calibração multivariada. Todavia, o
doseamento de Olanzapina nunca havia sido calibrada por NIR ou outra técnica rápida.
C A P Í T U L O 1 P á g i n a | 63
Além disso, métodos de pré-processamentos foram avaliados para determinar o método
mais adequado para analisar o tipo de dado. Finalmente, os melhores modelos foram
validados empregando-se o cálculo das FOM, tais como: seletividade, sensitividade,
sensitividade analítica, precisão, exatidão, limite de detecção e quantificação.
2. OBJETIVO
O presente capítulo tem como objetivo:
Determinar o teor de Olanzapina em formas farmacêuticas através da técnica do
Infravermelho Próximo e calibração multivariada.
3. MATERIAIS E MÉTODOS
3.1. Materiais
3.1.1. Matéria-prima, solventes e outros materiais
Acetonitrila grau UV/HPLC – J.T. BAKER®
Água ultrapurificada (Milli-Q)
Ácido clorídrico P.A. – VETEC®
Ácido cítrico P.A. – VETEC®
Citrato de sódio di-hidratado P.A. – VETEC®
Metanol grau HPLC – J.T. BAKER®
Foram utilizados padrões de referência Olanzapina da United State Pharmacopeia
(USP-NF), com pureza de 99,60%, lote G0L368.
Olanzapina comprimidos revestidos 2,5 mg;
Olanzapina comprimidos revestidos 5 mg;
Olanzapina comprimidos revestidos 10 mg;
Matéria-prima (Olanzapina polimorfo II);
Excipientes (fornecidos pelo NUPLAM/UFRN e EMS Ltda.):
o Celulose microcristalina 101;
o Celulose microcristalina 102;
o Estearato de magnésio;
C A P Í T U L O 1 P á g i n a | 64
o Dióxido de silício coloidal;
o Poloxamer;
o Crospovidona;
o Lactose;
o Mistura de revestimento.
3.1.2. Equipamentos e materiais de laboratório
Agitador de Tubos – BIOMATIC® 1005;
Balança Semi-micro Analítica – METTLER®;
Banho ultra-som – UNIQUE®;
Balões volumétricos de 10, 100 mL – VIDROLABOR®;
Pipetas automáticas de volume variável EPPENDORF® Research;
Pipetas volumétricas – VIDROLABOR®;
Ponteiras descartáveis EPPENDORF® - amarelas (2-200 µL) e azuis (50 – 100 µL);
Pipetas Pasteur – 3 mL;
Seringas descartáveis (1, 3, 5 e 10 mL) – BD®;
Sistema de filtração a vácuo SARTORIUS GOETTINGEN®;
Sistema de purificação de água ultrapurificada Milli-Q – MILLIPORE®;
Unidade filtrante descartável, 0,45 µm de poro, PTFE – MILLIPORE®;
Vials de tampa rosqueada (1,5 mL de capacidade) – HITACHI®;
Provetas de 500 e 1000 mL – VIDROLABOR®;
Coluna X-Terra RP 18, totalmente porosa, partículas de 5 m com sílicas de alto
grau de pureza ligadas ao grupamento octadecilsilano (C18). Dimensões: 150 mm de
comprimento x 4.6 mm de diâmetro. Fabricante: Waters®;
Cromatógrafo Líquido de Alta Eficiência, modelo PROMINENCE® (Shimadzu, Japão)
constituído pelos seguintes módulos: detector de arranjo de diodos (SPD-M20A),
forno para coluna (CTO-20A), auto injetor (SIL-20A), degaseificador de fase móvel
online (DGU-20A5), sistema controlador (CBM-20A), bomba quaternária (LC-20AT) e
sistema de dados (software) LC-Solution;
Espectrofotômetro no Infravermelho Próximo (FT-NIR), modelo MPA® (Bruker,
Alemanha), equipado com esfera de integração, compartimento de amostras líquidas
e sonda. Software OPUS®.
C A P Í T U L O 1 P á g i n a | 65
3.2. Métodos
3.2.1. Preparo das amostras e delineamento experimental
A preparação farmacêutica estudada foi uma mistura de pó contendo Olanzapina e
os 7 excipientes (celulose microcristalina, poloxamer, lactose, estearato de magnésio,
dióxido de silício coloidal, crospovidone e mistura de revestimento).
As amostras laboratoriais e as comerciais (produtos acabados) foram pesadas,
trituradas e colocadas separadamente em vials do NIR, em proporções variáveis para
abranger um intervalo de concentração de 1 a 12,5 mg do conteúdo nominal do princípio
ativo e ± 5,0% da proporção de cada excipiente (massa total média da mistura 210 mg). As
amostras laboratoriais foram feitas pesando individualmente todos os excipientes (incluindo
a mistura de revestimento) e Olanzapina, de acordo com as suas proporções de massas na
fórmula mestre dos comprimidos. Já as amostras comerciais foram, individualmente,
pesadas, trituradas e cada uma foi inserida em vials do NIR. Após inserção foram
homogeneizadas por 5 minutos em agitador de tubos para assegurar a mesma
concentração de princípio ativo por miligrama de pó. A concentração da Olanzapina nas
amostras laboratoriais estava no intervalo de 0,0047 a 0,0595 %m/m e as comerciais de
0,0119 a 0,047 m/m. A Figura 18 representa um esquema de como as amostras foram
preparadas.
Figura 18. Esquema da preparação das amostras comerciais e laboratoriais.
Fonte. Autoria própria, 2017.
C A P Í T U L O 1 P á g i n a | 66
O delineamento experimental foi realizado utilizando o D-Optimal Solution (EL-
HAGRASY, D'AMICO e DRENNEN III, 2006) do software Modde® (MKS Data Analytic
Solutions, Sweden) totalizando 27 experimentos, abrangendo todos os eixos e o ponto
central do espaço das misturas. O delineamento D-Optimal foi empregado para selecionar
os níveis de concentração da Olanzapina e excipientes nas amostras laboratoriais de
calibração e validação externa com o objetivo de construir o modelo multivariado. No ponto
central, todos os constituintes da mistura apresentaram seus valores nominais. A Figura 19
ilustra a razões de misturas da Olanzapina com relação aos excipientes.
Figura 19. Delineamento experimental para medidas de calibração por NIR de acordo com o
desenho D-Optimal. (a) Olanzapina - Crospovidona - Dióxido de Silício Coildal; (b)
Olanzapina - Poloxamer - Lactose; (c) Olanzapina - Mistura de revestimento - Estearato de
magnésio; (d) Olanzapina – Celulose microcristalina – Lactose; (e) Olanzapina –
Crospovidona – Poloxamer; (f) Olanzapina – Estearato de magnésio – Dióxido de Silício
Coloidal.
(a) (b) (c)
(d) (e) (f)
Fonte. Autoria própria, 2017.
3.2.2. Espectroscopia no Infravermelho Próximo
Os espectros do NIR foram obtidos no modo de reflectância difusa via
espectrofotômetro FT-NIR, modelo MPA® (Bruker, Alemanha), equipado com uma esfera de
integração. Em cada amostra foram obtidos espectros, em triplicata, com uma média de 32
scans, resolução de 16 cm-1 e intervalo de comprimento de onda de 900 a 2500 nm. O
C A P Í T U L O 1 P á g i n a | 67
espectro de fundo foi obtido utilizando lâmina revestida de ouro. Os espectros foram obtidos
em ambiente climatizado com temperatura controlada de 22°C e umidade relativa do ar de
60%.
3.2.3. Análise Cromatográfica
3.2.3.1. Condições analíticas
Após as análises no NIR, as amostras foram levadas para o Cromatógrafo Líquido de
Alta Eficiência, modelo PROMINENCE® (Shimadzu, Japão) constituído pelos seguintes
módulos: detector de arranjo de diodos (SPD-M20A), forno para coluna (CTO-20A), auto
injetor (SIL-20A), degaseificador de fase móvel online (DGU-20A5), sistema controlador
(CBM-20A) e bomba quaternária (LC-20AT). As condições cromatográficas não puderam
fazer parte do escopo por ser segredo de indústria.
3.2.4. Procedimentos quimiométricos e Software
Todos os cálculos (modelos e pré-tratamentos) foram realizados usando o software
MATLAB versão 6.5 (The Math-Works, Natick, USA) com o PLS-Toolbox versão 6.01
(Eigenvector Research, Inc., USA). Primeiramente, o espectro NIR calculado foi
transformado em log 1/R, seguido pelo cálculo da média dos espectros (triplicata).
Diferentes pré-tratamentos, por exemplo: Suavização (Smoothing Savitzky-Golay) (SGS)
(com janela de 7 pontos) seguido da Correção de Espalhamento Multiplicativo (MSC) e
Derivada de ordem 1 Savitzky-Golay (com janela de 7 pontos) foram aplicadas nos
espectros, com o objetivo de minimizar características indesejáveis, tais como:
deslocamento espectral, ruído, linha de base e espalhamento (NEVES, et al., 2012;
MARIANI, et al., 2014).
O modelo de regressão (PLS) foi desenvolvido e validado utilizando a ampla
validação cruzada (leave-one-out full cross-validation), também chamada de RMSECV (erro
quadrático médio da validação cruzada), a qual é baseada apenas no conjunto de dados de
calibração. Essa validação é similar ao teste de previsão, uma vez que só testa previsores
em dados que não são usados para calibração, mas para a validação cruzada o
procedimento é realizado apagando sucessivamente amostras do próprio conjunto de
calibração. Primeiro, a amostra inicial é excluída do conjunto de calibração, em seguida, a
calibração é realizada com o restante das amostras. Logo após, a amostra inicial retorna e a
C A P Í T U L O 1 P á g i n a | 68
segunda amostra é excluída e a calibração é construída. O processo ocorre sucessivamente
após todo o n do conjunto de calibração (NAES, et al., 2004).
A estimativa de RMSECV é definida por:
Equação 21. Cálculo do RMSECV.
RMSECV =
n
yyn
i
m
j
iji
1 1
2
,ˆˆ
Para evitar sobreposição, o conjunto de dados utilizados para calibração foi
constituído de 75% e 25% dos espectros de amostras laboratoriais e comerciais,
respectivamente. Já para o conjunto de dados utilizados para validação continha 25% e 75%
dos espectros de amostras laboratoriais e comerciais, respectivamente. A escolha dos
espectros foi feito através do algoritmo clássico de Kennard-Stone (KS) (KENNARD e
STONE, 1969). Os seguintes parâmetros de qualidade foram utilizados para avaliar o
modelo de calibração, respectivamente: RMSEC (erro quadrático médio da calibração),
RMSEP (erro quadrático médio da previsão), coeficiente de correção para cada modelo:
calibração (rc) e predição (rp). O teste estatístico (EJCR – Elliptical Joint Confidence Region)
foi calculado para avaliar a inclinação, o intercepto da regressão de referência e para
predizer valores no intervalo de confiança de 95%.
Finalmente, validar um método analítico implica em determinar se é amplamente feito
para o seu propósito. Para isso, algumas figuras de mérito (EURACHEM AND CITAC-
WORK-GROUP, 2002; ICH, 1995; ICH, 1997) foram determinadas, tais como:
Sensibilidade: é definida como razão de sinal responsável pelo acréscimo de uma
unidade de concentração da propriedade de interesse;
Seletividade: é a medida do grau de sobreposição entre o sinal da espécie de
interesse e os interferentes presentes na amostra e indica a parte do sinal que é
perdida por essa sobreposição;
Sensibilidade analítica: é definida como a razão entre a sensibilidade e uma
estimativa do desvio padrão para a flutuação do sinal analítico;
Precisão: grau de aproximação entre uma série de medidas de uma mesma amostra
dentro de determinadas condições;
Teste para o erro sistemático “bias”: é definido como a diferença entre a média
populacional e o seu valor verdadeiro;
Exatidão: expressa o grau de concordância entre o valor estimado ou medido e o
valor tido como verdadeiro ou de referência, geralmente expresso como o RMSEP;
C A P Í T U L O 1 P á g i n a | 69
Limite de Detecção (LD): valor mínimo detectável do sinal – ou concentração – o
qual a probabilidade do falso negativo (β) e o falso positivo (α) são 0,05;
Limite de quantificação (LQ): sinal ou concentração do analito que produz
estimativas com desvio padrão relativo dentro do especificado.
As qualidades métricas (BRAGA e POPPI, 2004) utilizadas no estudo para a
avaliação das figuras de mérito podem ser calculadas através das seguintes equações:
Equação 22. Cálculo da Sensibilidade.
Sensibilidade = i
nas
kAnas
jky
xS
,
,
ˆ
Equação 23. Cálculo da Seletividade.
Seletividade = unk
unk
unkx
sanLES
,
,
,
ˆˆ
Equação 24. Cálculo da Sensibilidade Analítica.
Sensibilidade Analítica = x
NES
ˆ
Equação 25. Cálculo da Precisão.
Precisão =
)1(
ˆˆ1 1
2
,
mn
yyn
i
m
j
iji
Equação 26. Cálculo da Exatidão.
Exatidão = RMSEP =
n
yyn
i
ii
1
2ˆ
C A P Í T U L O 1 P á g i n a | 70
Equação 27. Cálculo do LD.
LD = NES
xbx k ˆ
133
Equação 28. Cálculo do LQ.
LQ = NES
xbx k ˆ
11010
Onde o vetor de sensibilidade nas
kS deve ser o mesmo para todas as amostras de
calibração, nas
kAX ,ˆ
é o vetor para o sinal analítico puro para o analito k e yi é o valor de
referência da amostra i. unkx , é uma norma Euclidiana do vetor original da resposta
instrumental. x é uma estimativa do ruído, calculado com o desvio padrão de 15 amostras
“branco”. n é o número de amostras e m é o número de replicatas.
Na Figura 20 foi demonstrado como o modelo foi construído para posterior validação
com as Figuras de Mérito, conforme descrito acima.
C A P Í T U L O 1 P á g i n a | 71
Figura 20. Esquema de construção do modelo de calibração multivariado e análise dos
dados
Fonte. Autoria própria, 2017.
4. RESULTADOS E DISCUSSÃO
O objetivo desse trabalho foi desenvolver uma metodologia para determinar o principio
ativo Olanzapina em uma mistura de sete excipientes (lactose, celulose microcristalina,
poloxamer, crospovidona, dióxido de silício coloidal, estearato de magnésio e mistura de
revestimento) em amostras laboratoriais usando um método simples, rápido e não-
destrutivo. Os espectros de NIR puros (27 amostras laboratoriais e 18 amostras comerciais)
apresentaram o desvio da linha de base e sobreposição de pico como os principais efeitos
de variações. Os espectros das preparações farmacêuticas foram bastante similares aos
espectros os quais continham apenas os excipientes, provando a consistência da baixa
influência da Olanzapina, principalmente devido a sua baixa concentração na formulação.
C A P Í T U L O 1 P á g i n a | 72
São apresentados, na Figura 21, os espectros puros de todas as amostras
(esquerda). Nela é possível notar a elevada semelhança entre cada grupo de amostras,
tornando o método com elevado grau de dificuldade para calibração univariada,
necessitando, assim, da realização de um pré-tratamento conforme pode ser verificado na
mesma Figura 21 (direita). Os melhores modelos obtidos durante a etapa de pré-tratamento
foram Suavização (Smoothing Savitzky-Golay – com janela de 7 pontos), MSC e Derivada
de primeira ordem Savitzky-Golay – também com janela de 7 pontos), conforme pode ser
observado na Tabela 2. A Figura 22 compara o grupo de amostras em preto e o espectro
NIR da Olanzapina (de cor vermelho) também tratado, com isso é possível verificar em
qual(ais) região(ões) o principio ativo mais influencia nos espectros das amostras.
Figura 21. Comparação dos espectros NIR puros das 27 amostras laboratoriais e 18 amostras
comerciais (figura esquerda), com os espectros tratados com suavização SGS (janela de 7
pontos), MSC e Derivada de primeira ordem Savitsky-Golay (janela de 7 pontos) (figura direita).
Fonte. Autoria própria, 2017.
Figura 22. Espectros NIR das 27 amostras laboratoriais e 18 comerciais (linhas pretas) e
matéria-prima Olanzapina (linha vermelha) após o pré-tratamento (Suavização, MSC e
Derivada de primeira ordem).
Fonte. Autoria própria, 2017.
C A P Í T U L O 1 P á g i n a | 73
Para testar o melhor pré-tratamento ou conjunto de pré-tratamentos, foram utilizados
três modelos de regressões: MLR, PCR e PLS. A Tabela 2 apresenta os resultados de
alguns dos valores encontrados para RMSEC, R²Cal, RMSECV, RMSEP e R²Pred.
Tabela 2. Avaliação dos pré-tratamentos testados por MLR, PCR e PLS.
Modelo de Regressão
Pré-tratamentos RMSEC r²cal RMSECV RMSEP r²Pred
MLR
7S-MSC-7D 1,2E-15 1 3,5E-03 8,2E-03 0,75
Baseline-7S-MSC-7D 1,4E-15 1 3,5E-03 7,0E-03 0,84
Baseline-7S-STD 3,8E-16 1 8,1E-03 4,3E-02 0,005
Baseline-MC-7S-7D 2,9E-02 1 2,9E-02 2,6E-02 0,82
PCR
7S-MSC-7D 1,2E-02 0,31 1,4E-02 1,3E-02 0,15
Baseline-7S-MSC-7D 1,1E-02 0,44 1,2E-02 1,3E-02 0,16
Baseline-7S-STD 6,5E-03 0,8 7,3E-03 7,1E-03 0,78
Baseline-MC-7S-7D 3,1E-02 0,56 3,1E-02 3,2E-02 0,23
PLS
7S-MSC-7D 3,2E-03 0,95 4,4E-03 4,1E-03 0,93
Baseline-7S-MSC-7D 3,2E-03 0,95 4,4E-03 4,0E-03 0,93
Baseline-7S-STD 3,3E-03 0,95 6,9E-03 5,9E-03 0,81
Baseline-MC-7S-7D 2,9E-02 0,95 2,9E-02 3,0E-02 0,93
Legenda: 7S – Suavização com janela de 7 pontos; MSC – espalhamento multiplicativo da luz; 7D – derivada de
primeira ordem Savistzky-Golay com janela de 7 pontos; Baseline – correção da linha de base; MC – média
centrada; STD – variável normal padrão.
Dentre os valores obtidos, foi escolhido o modelo de regressão por PLS utilizando
Suavização (Smoothing Savitzky-Golay – com janela de 7 pontos), MSC e Derivada de
primeira ordem Savitzky-Golay – também com janela de 7 pontos). A presença de um
quantitativo maior de variáveis do que amostras desfavoreceu o modelo de regressão por
MLR, favorecendo ao aparecimento da colinearidade. Os valores observados pela regressão
por PCR também não foram satisfatórios, tal fato pode estar ligado à necessidade do
modelo de informar os valores de y para uma melhor correlação. Desse modo, com a
posterior aplicação por PLS, a resposta do método tornou-se mais eficaz, portanto, tornou-
se o método de regressão escolhido para o método.
O modelo de regressão por PLS foi desenvolvido para o princípio ativo, validado
utilizando a ferramenta de ampla validação cruzada “leave-one-out” e o número ideal de
fatores de PLS escolhido como o mínimo no gráfico de variância residual versos o número
de fatores. O mínimo quadrado parcial, em inglês “Partial Least Square - PLS” é um método
matemático que é capaz de descrever a covariância entre dados espectrais NIR
multidimensionais e a variável resposta através do pequeno número de variáveis latentes ou
fatores de PLS. No método, foram necessárias seis variáveis latentes para descrever 99%
da variância no espectro. O modelo de calibração apresentou baixo RMSEC (3,2 x 10-3
C A P Í T U L O 1 P á g i n a | 74
%m/m), RMSEP (4,0 x 10-3 %m/m) e elevado coeficiente de regressão para calibração (rc =
0,95) e previsão (rp = 0,93). A Figura 23 apresenta a relação entre os valores previstos e de
referência das amostras laboratoriais no grupo de calibração e de validação, correspondente
a faixa de trabalho da Olanzapina de 1 a 12,5 mg na mistura de pós.
Figura 23. Relação entre concentração prevista e a de referência para amostras de
calibração e validação, através do modelo de PLS para Olanzapina. (●) grupo de calibração;
(●) grupo de validação.
Fonte. Autoria própria, 2017.
A diagonal preta representa o resultado ideal, ou seja, quanto mais próximo os
pontos estiverem da diagonal, melhor é o ajuste do modelo. É possível verificar que todas as
concentrações calculadas, de ambos os grupos (calibração e validação), foram próximos
aos valores reais.
A fim de obter mais informações acerca da precisão do método, uma análise de
regressão linear versus os valores de concentração encontrados foi realizada. O intercepto
estimado e a inclinação foram comparados com os valores ideais de 0 e 1 utilizando o teste
de EJCR. Os cálculos de EJCR são um meio conveniente para determinar se existem viés
na determinação de ambos os parâmetros quando se utiliza o modelo PLS. Como pode ser
visto na Figura 24, o ponto (a = 0, b = 1) apresentou-se dentro do elipse do EJCR, portanto
pode-se concluir que erros constantes e proporcionais estão ausentes.
C A P Í T U L O 1 P á g i n a | 75
Figura 24. Teste EJCR para o intercepto e a inclinação da regressão da concentração de
Olanzapina prevista versus a de referência utilizando uma validação externa pelo modelo
PLS.
Fonte. Autoria própria, 2017.
Baseado na análise comparativa descrita anteriormente, o modelo PLS com os pré-
tratamentos espectrais suavização, MSC e derivada na primeira ordem foram aplicados para
predizer a Olanzapina em 12 amostras desconhecidas (amostras laboratoriai, n = 1-6;
amostras comerciais, n= 7-12) após aplicação de mesmo pré-tratamento utilizado no grupo
de dados de calibração, as quais podem verificadas na Tabela 3.
Tabela 3. Comparação dos resultados de amostras comerciais por NIR e por HPLC.
Amostras Concentração (%m/m)
Previsão (NIR) Referência (HPLC)
1
Laboratoriais
0,034 0,033
2 0,044 0,047
3 0,036 0,045
4 0,054 0,060
5 0,042 0,043
6 0,013 0,012
7
Comerciais
0,028 0,023
8 0,021 0,023
9 0,023 0,023
10 0,025 0,023
11 0,023 0,024
12 0,022 0,024
C A P Í T U L O 1 P á g i n a | 76
Para comparar os métodos, convencional (CLAE) e alternativo (NIR – PLS), o Teste-t
pareado foi aplicado. Nesse teste foi possível verificar que não houve nenhuma diferença
estatística entre os dois métodos, no nível de confiança de 95% (p = 0,08 e t = 1,06). A
repetibilidade do método cromatográfico foi avaliada, como requerido pela ANVISA
(BRASIL, 2003) para assegurar que as análises apresentavam consistência nos resultados.
Foram injetadas no cromatógrafo 6 replicatas de uma amostra de Olanzapina, no nível de
100% da concentração nominal de trabalho. O resultado encontrado mostrou desvio padrão
relativo (DPR) de 0,042% (recomendado é que seja menor do que 2,0%), demonstrando
assim que o método cromatográfico é preciso.
Novos métodos analíticos devem ser validados antes de serem utilizados na indústria
farmacêutica. O método NIR proposto foi validado de acordo com o guia ICH (1997)
avaliando a seletividade, sensibilidade, sensibilidade analítica, precisão, exatidão e limites
de detecção e quantificação. A Tabela 4 apresenta as figuras de mérito (FOM) avaliadas
para o método otimizado. Os valores de exatidão, representados por RMSEC e RMSEP
indicaram que os valores do modelo multivariado estimado exibiram concordância aceitável
ao método de referência. A precisão, em nível de repetibilidade, foi avaliada pela análise de
5 amostras (10 replicatas por amostra), no mesmo dia, obtendo assim o DPR no valor de
4,02%. A veracidade foi estimada pelo parâmetro de erro absoluto, utilizando o valor de
RMSEP de 4,0 x 10-3 %m/m. A veracidade e a precisão corroboraram que o método pode
ser considerado exato. Para a exatidão e os estudos de linearidade, o intervalo de trabalho
analítico foi definido de 1,0 a 12,5% de Olanzapina, para que o método fosse capaz de
analisar as três formulações disponíveis (2,5, 5 e 10 mg). Os parâmetros de sensibilidade e
seletividade avaliados apresentaram resultados aceitáveis, dentro do intervalo analítico do
modelo e os resultados de LD e LQ estimados puderam ser otimistas.
Tabela 4. Figura de Mérito (FOM) do melhor modelo PLS: Olanzapina em m/m.
FOM Conteúdo de Olanzapina (%m/m)
RMSEC 3,2 x 10-3
RMSECV 4,4 x 10-3
RMSEP 4,0 x 10-3
Bias -1,87 x 10-6
cr 0,95
pr 0,93
Inclinação 0,952
Intercepto 0,0014
Precisão 4,02
C A P Í T U L O 1 P á g i n a | 77
Sensibilidade 0,1834
Seletividade 1,7988 x 10-4
LD 0,000619
LQ 0,002
RMSEC: erro quadrático médio da calibração; RMSECV: erro quadrático médio da validação
cruzada; RMSEP: erro quadrático médio da previsão; rc: coeficiente de correlação da
calibração; rp: coeficiente de correlação da previsão; LD: Limite de detecção; LQ: Limite de
quantificação
5. CONCLUSÃO DO CAPÍTULO 1
O método por NIR foi desenvolvido, o qual permitiu a determinação com precisão e
exatidão da Olanzapina em amostras laboratoriais e em produtos comerciais com o mínimo
de tratamento na amostra. De acordo com os resultados, a regressão multivariada por PLS
foi um método promissor que pôde ser usado em conjunto com etapas de pré-tratamentos,
os quais foram realizados previamente nos espectros, para assegurar que o modelo
quantitativo seja construído de forma eficaz e com resultados consistentes. O método NIR,
quando comparado ao método convencional (CLAE), não apresentou diferença estatística,
com intervalo de confiança de 95%. Os valores de exatidão, precisão e demais figuras de
méritos exibiram resultados promissores, indicando que o método desenvolvido por NIR
para a Olanzapina pode ser usado como metodologia alternativa para os propósitos
farmacêuticos.
C A P Í T U L O 2 P á g i n a | 78
Capítulo 2
C A P Í T U L O 2 P á g i n a | 79
Capítulo 2 – CONSTRUÇÃO DE CARTAS CONTROLES PARA MONITORAMENTO DA
QUALIDADE DE OLANZAPINA COMPRIMIDOS REVESTIDOS UTILIZANDO COMO
FERRAMENTA ANALÍTICA A ESPECTROSCOPIA NO INFRAVERMELHO PRÓXIMO:
PRIMEIRA ETAPA PARA CONSTRUÇÃO DA TECNOLOGIA ANALÍTICA EM PROCESSO
1. INTRODUÇÃO
A aprovação e liberação de medicamentos para os usuários requer que o produto
final apresente qualidade dentro de especificações rigorosas, por isso uma vasta quantidade
de testes são realizados para comprovar que a sua qualidade está assegurada. Isso faz com
o processo se torne muito importante, em termos de qualidade, segurança e eficácia
farmacêutica (HETRAMPF, et al., 2015). A espectroscopia no infravermelho próximo é uma
técnica analítica que tem sido cada vez mais empregada para o desenvolvimento de
métodos qualitativos e quantitativos na indústria farmacêutica, além disso, já tem obtido
excelentes resultados em testes tais como: dureza (BLANCO e ALCALÁ, 2006),
homogeneidade (DUONG, et al., 2003), tamanho de partículas (OTUSKA, 2004),
caracterização polimórfica (LI, et al., 2005), testes de dissolução (NEVES, et al., 2012) e
determinação de composição química em comprimidos (TRAFFORD, et al., 1999).
Convencionalmente, medicamentos são produzidos em processos de lote a lote, os quais
são analisados fora da linha de produção com amostras coletadas aleatoriamente para
avaliar a qualidade e eficácia do processo. Estes testes, por exemplo, doseamento, dureza,
C A P Í T U L O 2 P á g i n a | 80
desintegração, dissolução são considerados demorados, uma vez que requerem
determinado tempo para preparar a amostra e na realização da análise, e são menos
eficientes. Entretanto, análises em linha de produção agora vêm sendo possíveis de se
realizar, fornecendo um escopo significante de como o lote está sendo processado e
controlado (DE BEER, et al., 2011).
A agência regulatória dos Estados Unidos – Food and Drug Administration (FDA) –
introduziu o conceito de qualidade pelo desenho (Quality by Design – QbD) e o guia de
tecnologia analítica em processo (Process Analytical Technology – PAT) (U.S. FOOD AND
DRUG ADMINISTRATION, 2004) para desenvolver inovações em sistemas de produção
que melhorarão a eficiência e garantia da qualidade (KRISTÓ, et al., 2016). Dentre as
medidas propostas nessa abordagem, destacam-se o processamento contínuo, a medição e
a detecção on-line, o controle de qualidade em tempo real e ferramentas de controle de
processos com os objetivos de reduzir os custos operacionais, melhorar/acelerar a liberação
dos produtos no mercado, reduzir variabilidade e aumentar a flexibilidade, eficiência e
qualidade do produto (IÇTEN, NAGY e REKLAITIS, 2015).
Uma das ferramentas amplamente utilizadas em controle de processos são as cartas
de controles multivariadas (MACGREGOR e KOURTL, 1995). São gráficos estatísticos para
monitorar o que está dentro ou fora (acima ou abaixo) dos limites de controle previamente
determinados com amostras de controle, as quais são conhecidas como amostras de
condições operacionais normais (em inglês, Normal Operating Conditions – NOC)
(CAMBRON, et al., 2016). Diversas cartas de controle multivariadas aplicadas na indústria
farmacêutica têm sido propostas baseadas na Análise do Componente Principal (Principal
Component Analysis – PCA) (CLAVAUD, et al., 2013), Mínimos Quadrados Parciais (Partial
Least Squares – PLS) (KOURTI, NOMIKOS e MACGREGOR, 1995), Somatório Cumulativo
Multivariado (Multivariate Cummulative Sum – MCUSUM) (BODNAR e SCHMID, 2011),
Média Móvel Ponderada Exponencial Multivariada (Multivariate Exponential Weighted
Moving Average – MEWMA) (ZOU, TSUNG e WANG, 2007) e no Sinal Analítico Líquido
(Net Analyte Signal – NAS) (SKIBSED, et al., 2005).
Cartas de controles baseadas no NAS aplicadas em formulações farmacêuticas têm
sido propostas para avaliar o monitoramento da qualidade. Rocha et al. (2010) estudaram
cartas de controle multivariadas baseadas no NAS em associação com o NIR para monitorar
a qualidade de formulações contendo o princípio ativo Nimesulida. Outra aplicação por
Rocha & Poppi (2010) foi a construção de cartas de controles multivariadas baseadas no
NAS, também em associação com NIR para avaliar a caracterização polimórfica de
amostras de Piroxicam. Costa et al. (2015) também estudou cartas de controle multivariadas
baseadas no NAS, em associação com o NIR para monitorar Isoniazida e Rifampicina em
formas farmacêuticas cápsulas. Todos esses estudos provaram que cartas de controle
C A P Í T U L O 2 P á g i n a | 81
multivariadas baseadas no NAS foram aplicadas com sucesso na indústria farmacêutica
com muitas aplicações.
Com o uso do NAS é possível calcular um valor escalar livre de interferentes a partir
do vetor sinal analítico, o que torna possível a construção de uma nova forma de calibração,
em que o modelo multivariado pode ser representado em uma forma pseudo-univariada,
conforme Figura 25.
Figura 25. Representação geométrica da decomposição do sinal analítico.
Fonte: ROCHA, 2007.
As cartas são construídas da seguinte forma: uma linha central, um par de limites
de controle, um dos quais se localiza abaixo e outro acima da linha central, e os valores
característicos marcados no gráfico que representam o estado do processo.
Esses valores limites são identificados como: Limite Superior de Controle (LSC),
que é determinado por três desvios padrões acrescido da média; e o Limite Inferior de
Controle (LIC) que é o valor de três desvios padrões decrescido da média. A Figura 26
representa num mesmo gráfico, o mesmo processo em controle e fora de controle.
C A P Í T U L O 2 P á g i n a | 82
Figura 26. Representação gráfica de processos sob controle e fora de controle.
Fonte: LIMA, 2006.
Para o entendimento da construção das cartas multivariadas temos:
O NAS: trata-se do fármaco;
Interferentes: referem-se ao placebo, ou seja, medicamento sem o fármaco,
somente com os excipientes presentes;
Resíduo: trata-se de qualquer adulterante contido na amostra, exemplo: adição
proposital de uma substância, degradação das matérias-primas, a presença de
umidade ou de qualquer outro parâmetro.
O monitoramento simultâneo do NAS, interferentes e resíduos, é a grande
vantagem do método. As amostras que possuírem seus valores de NAS, interferentes e
resíduos dentro dos limites estabelecidos pelas amostras em controle são consideradas
dentro de controle. Entretanto, qualquer amostra que possuir pelo menos um valor fora do
limite de qualquer um dos três parâmetros ou apresentarem uma disposição atípica, o
processo é julgado fora de controle (COSTA, 2014).
Portanto, na produção de medicamentos a carta de controle é apresentada como
um auxílio na aplicada do PAT, pois fornece uma linguagem comum para a análise do
desempenho do processo, separando causas especiais de variação comuns. Assim o
processo é ajustado para um tipo de produção previsível, com qualidade e custos
adequados, não deixando que a situação de possibilidade de ocorrência de não
conformidade perdure e acabe com uma possível reprovação do lote final da produção.
Obtendo-se assim, como resultado, medicamentos de melhor qualidade, de menor custo e
aumento da capacidade de produção.
C A P Í T U L O 2 P á g i n a | 83
No capítulo 2 dessa tese, foi desenvolvida uma estratégia quimiométrica baseada em
PLS, utilizando a espectroscopia no infravermelho próximo para medir o doseamento de
Olanzapina em formas farmacêuticas (mistura de pós), produzidas pelo NUPLAM/UFRN em
associação com a EMS Ltda., em busca de iniciar um estudo para inclusão do PAT. Como
forma de avanço tecnológico, o uso de ferramentas analíticas multicomponentes baseadas
no NIR pode melhorar, consideravelmente, o controle analítico no processo de produção,
uma vez que o processo garantirá que cada comprimido produzido seja analisado. Com
isso, o novo método destina-se a construir um controle de processo de monitoramento para
melhorar a qualidade das formulações farmacêuticas produzidas pelo NUPLAM/UFRN.
2. OBJETIVO
O presente capítulo tem como objetivo:
Construir e validar cartas de controle multivariadas baseadas no NAS para
monitoramento da qualidade, utilizado o NIR, de formas farmacêuticas contendo
Olanzapina, produzidas pelo NUPLAM/UFRN, em parceria com a EMS Ltda.
3. MATERIAIS E MÉTODOS
3.1. Materiais
3.1.1. Matéria-prima, solventes e outros materiais
Acetonitrila grau UV/HPLC – J.T. BAKER®
Água ultrapurificada (Milli-Q)
Ácido clorídrico P.A. – VETEC®
Ácido cítrico P.A. – VETEC®
Citrato de sódio di-hidratado P.A. – VETEC®
Metanol grau HPLC – J.T. BAKER®
Foram utilizados padrões de referência Olanzapina da United State Pharmacopoeia
(USP-NF), com pureza de 99,60%, lote G0L368.
Olanzapina comprimidos revestidos 10 mg (triturados);
Matéria-prima (Olanzapina polimorfo II);
Excipientes (fornecidos pelo NUPLAM/UFRN e EMS Ltda.):
o Celulose microcristalina 101;
C A P Í T U L O 2 P á g i n a | 84
o Celulose microcristalina 102;
o Estearato de magnésio;
o Dióxido de silício coloidal;
o Poloxamer;
o Crospovidona;
o Lactose;
o Mistura de revestimento.
3.1.2. Equipamentos e materiais de laboratório
Agitador de Tubos – BIOMATIC® 1005;
Balança Semi-micro Analítica – METTLER®;
Banho ultra-som – UNIQUE®;
Balões volumétricos de 10, 100 mL – VIDROLABOR®;
Pipetas automáticas de volume variável EPPENDORF® Research;
Pipetas volumétricas – VIDROLABOR®;
Ponteiras descartáveis EPPENDORF® - amarelas (2-200 µL) e azuis (50 – 100 µL);
Pipetas Pasteur – 3 mL;
Seringas descartáveis (1, 3, 5 e 10 mL) – BD®;
Sistema de filtração a vácuo SARTORIUS GOETTINGEN®;
Sistema de purificação de água ultrapurificada Milli-Q – MILLIPORE®;
Unidade filtrante descartável, 0,45 µm de poro, PTFE – MILLIPORE®;
Vials de tampa rosqueada (1,5 mL de capacidade) – HITACHI®;
Provetas de 500 e 1000 mL – VIDROLABOR®;
Coluna X-Terra RP 18, totalmente porosa, partículas de 5 m com sílicas de alto
grau de pureza ligadas ao grupamento octadecilsilano (C18). Dimensões: 150 mm de
comprimento x 4.6 mm de diâmetro. Fabricante: Waters®;
Cromatógrafo Líquido de Alta Eficiência, modelo CHROMASTER® (HITACHI, Japão)
constituído pelos seguintes módulos: detector de arranjo de diodos (5430), forno
para coluna (5310), auto injetor (5260), bomba quaternária (5160) e sistema de
dados (software) EzChrom®;
Espectrofotômetro no Infravermelho Próximo (FT-NIR), modelo MPA® (Bruker,
Alemanha), equipado com esfera de integração, compartimento de amostras líquidas
e sonda. Software OPUS®.
Estufa de ar circulante, modelo Q317B42 (Quimis®, Brasil).
C A P Í T U L O 2 P á g i n a | 85
3.2. Métodos
3.2.1. Preparo das amostras e delineamento experimental
As misturas ternárias (Olanzapina, excipiente com maior proporção e mistura dos
demais excipientes) foram selecionadas utilizando o D-Optimal Solution do software
Modde® (MKS Data Analytic Solutions, Sweden) totalizando 75 experimentos, dos quais 35
correspondem a variação de ± 10% m/m do conteúdo nominal do princípio ativo,
abrangendo todos os eixos e o ponto central do espaço das misturas ternárias e, 40
correspondente a variação superior a ± 10% m/m do conteúdo nominal do princípio ativo.
Esses experimentos do delineamento representaram uma ampla combinação possível dos
componentes, e 15 amostras “branco”, contendo apenas o placebo. As amostras
laboratoriais foram pesadas, cada uma contendo uma média de 420 mg de mistura de
componentes, em balança semicroanalítica, com exatidão de 0,0001 g, transferidas para os
vials do NIR (capacidade de 50 mL) e homogeneizadas em agitador de tubo por 3 min. As
amostras de produção (Olanzapina comprimidos revestidos, 10 mg, peso médio de 420 mg)
foram obtidas do NUPLAM/UFRN em parceria com a EMS Ltda. Todas as amostras foram
trituradas, e homogeneizadas como descrito para as amostras laboratoriais e conforme
representado na Figura 27.
Figura 27. Esquema da preparação das amostras comerciais e laboratoriais “dentro do controle”.
Fonte. Autoria própria, 2017.
C A P Í T U L O 2 P á g i n a | 86
O quantitativo de amostras de produção “dentro do controle” totalizaram em 35
unidades (variação de ± 10% m/m do conteúdo nominal do princípio ativo), todas
provenientes de um mesmo lote de produção. Já as amostras da produção “fora de
controle”, totalizaram 40 unidades (variação superior a ± 10% m/m do conteúdo nominal do
princípio ativo e dos demais excipientes, ou seja, se encaixariam fora do intervalo
farmacopeico permitido, 90 a 110% do conteúdo de Olanzapina) também foram obtidas do
mesmo lote, entretanto, as amostras “fora de controle” foram condicionadas, em sua
embalagem primária (blister), em estufa de circulação de ar, durante 1 dia, na temperatura
de 60°C, conforme Figura 28.
Figura 28. Esquema da preparação das amostras comerciais e laboratoriais “fora do
controle”.
Fonte. Autoria própria, 2017.
Previamente foi realizado o doseamento da matéria-prima Olanzapina, pelo método
de referência (cromatografia líquida) que seria utilizada para a produção das amostras
laboratoriais. O seu conteúdo correspondeu a 96,21% m/m. Dessa forma, todas as amostras
C A P Í T U L O 2 P á g i n a | 87
do delineamento (“dentro do controle” e “fora do controle”) foram corrigidas para 100% m/m
para que pudessem permanecer dentro do intervalo especificado.
3.2.2. Espectroscopia no Infravermelho Próximo
Os espectros do NIR foram coletados no modo de reflectância difusa via
espectrofotômetro FT-NIR, modelo MPA® (Bruker, Alemanha), equipado com a sonda de
fibra sólida IN 261@2m. Em cada amostra foram obtidos espectros, em triplicata, com uma
média de 32 scans, resolução de 32 cm-1 e intervalo de comprimento de onda de 800 a 2500
nm. O espectro de fundo foi obtido utilizando Spectralon®. Os espectros foram obtidos em
ambiente climatizado com temperatura controlada de 22°C e umidade relativa do ar de 60%.
A sonda foi posicionada na superfície da amostra (com distância menor do que 1 cm e no
ângulo de 90° em relação à superfície) e limpa com papel macio após cada amostra.
3.2.3. Análise Cromatográfica
3.2.3.1. Condições analíticas
Após as análises no NIR, as amostras foram levadas para o Cromatógrafo Líquido de
Alta Eficiência, modelo CHROMASTER® (HITACHI, Japão) constituído pelos seguintes
módulos: detector de arranjo de diodos (5430), forno para coluna (5310), auto injetor (5260)
e bomba quaternária (5160). As condições cromatográficas não puderam fazer parte do
escopo por ser segredo de indústria.
3.3. Cartas de Controle multivariadas
3.3.1. Sinal Analítico Líquido (NAS)
Os dados foram aleatoriamente subdivididos em 3 grupos [Calibração (CAL),
Validação (Val) e Previsão (Pred)]. Os dados de Cal continham 40 espectros NIR, sendo: 20
amostras do delineamento “dentro do controle” e 20 amostras de produção também “dentro
do controle”. Os dados de Pred continham 50 espectros NIR, consistindo de: referente ao
delineamento 5 amostras “dentro do controle” e 20 “fora do controle”, referente as amostras
de produção 5 amostras “dentro do controle” e 15 “fora do controle”, além de 5 amostras do
branco. Os dados de Val apresentaram o mesmo quantitativo de amostras distribuídas para
o grupo Pred. Para o desenvolvimento da carta de controle baseada no NAS, um quarto
C A P Í T U L O 2 P á g i n a | 88
grupo de dados foi criado, o NAS, o qual continha 5 amostras do branco, 5 “dentro do
controle” pertencente ao delineamento e 5 “dentro do controle” pertencente às amostras da
produção. Com esse quarto grupo, foi possível definir o espaço dos interferentes e obter o
vetor NAS.
É apresentado, ver Tabela 5, um resumo das amostras que foram utilizadas para
construir e validar as cartas de controle baseadas no NAS.
Tabela 5. Resumo das amostras utilizadas para a construção da carta de controle baseada
no NAS.
Grupo de Amostras
Componentes Descrição (amostra e ordem) Usado para
Cal 40 “dentro do controle” DoE (1-20)
Prod. (21-40) Calibração
Val 10 “dentro do controle” 40 “fora de controle”
DoE “dentro do controle” (1-5)
Prod. “dentro do controle” (6-10)
DoE “fora de controle” (11-30)
Prod. “fora de controle” (31-45)
Branco (46-50)
Validação
Pred 10 “dentro do controle” 40 “fora de controle”
DoE “dentro do controle” (1-5)
Prod. “dentro do controle” (6-10)
DoE “fora de controle” (11-30)
Prod. “fora de controle” (31-45)
Branco (46-50)
Previsão
NAS 10 “dentro do controle” 5 placebo
DoE (1-5)
Prod. (6-10)
15 placebos (11-25)
Construção do espaço de
interferentes e obtenção do vetor NAS
Legenda: Doe = Amostras do delineamento; Prod. = Amostras da produção.
Os espectros foram importados para o MATLAB® versão 8.0 (Math-Works, Natick,
USA), pré-tratados e a carta de controle multivariada foi gerada utilizando rotinas
desenvolvidas no laboratório. Diferentes pré-tratamentos foram utilizados, incluindo:
correção do espalhamento multiplicativo (MSC), escalonamento de variância, derivada na
primeira ordem Savitzky-Golay e Suavização (SGS) (ambas com janelas de 3, 7, 9, 11 e
pontos), com o intuito de minimizar características indesejáveis tais como deslocamento
espectral, ruído, problemas na linha de base e espalhamento de sinal (MARIANI, et al.,
2014).
Após a inserção dos pré-tratamentos, a rotina para a construção das cartas de
controle baseadas no NAS foram inseridas no MATLAB (conforme Figura 29) seguindo o
passo-a-passo:
C A P Í T U L O 2 P á g i n a | 89
1. Criação do vetor NAS através do PCA do grupo das amostras de placebo e grupo
NOC (amostras exclusivamente dentro do controle);
2. Construção da carta NAS, com amostras dentro e fora do controle, bem como a
delimitação dos limites inferiores e superiores com ± 2 vezes o desvio padrão do
vetor NAS;
3. Construção da carta dos interferentes com a inserção do limite máximo permitido;
4. Construção da carta dos resíduos com a inserção do limite máximo permitido.
C A P Í T U L O 2 P á g i n a | 90
Figura 29. Esquema da construção das cartas de controle NAS, Interferentes e resíduos
Fonte. Autoria própria, 2017.
C A P Í T U L O 2 P á g i n a | 91
4. RESULTADOS E DISCUSSÃO
As cartas de controles construídas com todo o intervalo de espectro medido (800 a
2500 nm) apresentaram baixo percentual de sucesso para quase todos os pré-tratamentos
utilizados, quando comparado com os resultados obtidos pelo método de referência (CLAE).
Provavelmente, devido ao fato da baixa concentração da Olanzapina na formulação, e que
as absorvâncias dos demais constituintes sobrepõem o sinal do analito. Por esta razão, foi
realizada uma seleção de variáveis para encontrar o intervalo que melhorasse a
classificação. Analisando os espectros da Olanzapina, placebos, amostras laboratoriais e de
produção foi possível observar que existia, entre 1114 a 1410 nm, uma forte influência da
absorvância da Olanzapina, como pode ser visualizado na Figura 30.
Figura 30. Espectros puros de NIR de todas as amostras, n=106.
Fonte. Autoria própria, 2017.
C A P Í T U L O 2 P á g i n a | 92
O espectro é altamente sobreposto e com apenas uma inspeção visual é impossível
identificar o ativo e os excipientes ou para distinguir as características similares entre eles
(“dentro de controle” e “fora de controle”). Dentre os pré-tratamentos utilizados, a derivada
em primeira ordem Savitzky-Golay (com janela de 15 pontos) foi capaz de maximizar as
variações espectrais no intervalo de 1300 a 1370 nm, conforme pode ser observado nas
Figuras 31 e 32.
Figura 31. Espectros de NIR pré-tratados da Olanzapina (azul), placebo (verde), amostras
laboratoriais (vermelho), amostras de produção (azul claro).
Fonte. Autoria própria, 2017.
C A P Í T U L O 2 P á g i n a | 93
Figura 32. Espectros pré-tratados de NIR de todas as amostras, n = 106.
Fonte. Autoria própria, 2017.
Utilizando o grupo NAS, foi aplicado um PCA com (3 componentes), o qual
apresentou 99,96% de variância, nas amostras que só continham os excipientes (branco ou
placebo) para construir o espaço de interferentes e plotar as amostras NOC dentro desse
espaço. Dessa forma, o vetor de regressão NAS foi obtido e a decomposição de cada
espectro foi realizada. A carta NAS foi construída com a obtenção dos limites de
concentração superior e inferior da Olanzapina, calculado pela média ± o desvio padrão do
grupo de Calibração, os quais possuíam variação de ± 10% da concentração nominal da
Olanzapina. O limite de confiança para a carta dos interferentes foi obtido de acordo com d-
statistics, o qual apresentou o valor de 7.92 e Q-statistics (valor de 2,01 x 10-6) foi utilizada
para a carta dos resíduos, considerando o intervalo de confiança de 95%.
A validação da carta de Olanzapina foi desenvolvida após a construção das três
cartas (NAS, interferentes e resíduos). Para validar a carta NAS foram utilizadas 50
amostras (grupo Pred) obtidas de amostras laboratoriais e da produção (10 “dentro de
controle” e 40 “fora de controle”, respectivamente). Já para validar as cartas dos
interferentes e dos resíduos foram utilizadas 50 amostras (grupo Val) também obtidas de
amostras laboratoriais e da produção (10 “dentro de controle” e 40 “fora de controle”).
A Figura 33 apresenta as cartas de controle desenvolvidas para a Olanzapina após
pré-tratamento com a derivada de primeira ordem Savitzky-Golay (janela de 15 pontos).
Pode ser observado que o grupo Cal foi corretamente classificado com um nível de acerto
C A P Í T U L O 2 P á g i n a | 94
de 100%. Além disso, a Figura 33 mostra, também, que as amostras dos grupos de Pred e
Val foram corretamente classificadas de acordo com a carta NAS:
Grupo Pred: nível de acerto de 100% para amostras “dentro de controle” e 97,5%
“fora de controle”;
Grupo Val: nível de acerto de 100% para amostras “dentro de controle” e 95% para
“fora de controle”.
Figura 33. Carta controle para Olanzapina - NAS, Interferentes e Resíduos. (●) amostras do
grupo de calibração, (*) previsão e (▼) validação.
Fonte. Autoria própria, 2017.
LIMITE MÁXIMO
LIMITE MÍNIMO
LIMITE MÁXIMO
LIMITE MÁXIMO
C A P Í T U L O 2 P á g i n a | 95
Existem algumas amostras dos grupos de Pred e Val na carta dos interferentes que
apresentaram valores acima dos limites, os quais podem ser explicados pela hipótese de
que as amostras não estão adequadamente homogêneas ou que as amostras laboratoriais
e de produção tem tamanhos diversos de partículas, como descrito por Costa et al. (2015).
Existem, também, algumas amostras “fora de controle” que estão acima do limite na carta
dos resíduos. Tal fato pode ser explicado pela presença de produtos de degradação, os
quais podem interferir no espectro NIR. O mesmo perfil de resposta não foi encontrado nas
amostras que continham apenas excipientes (46-50).
Na análise de CLAE (Figura 34), foi possível verificar a presença de quatro picos
majoritários de produtos de degradação em amostras da produção “fora de controle” e suas
áreas podem ser visualizadas na Tabela 6. O responsável por esse aumento do sinal na
carta dos resíduos pode ser produzido pelo produto de degradação “Desconhecido 2” ou
mesmo, o somatório de todos os produtos de degradação que foram produzidos pelo
aquecimento na estufa de circulação de ar. Foi avaliada a injeção de uma solução placebo
(Figura 35) para confirmar que os picos dos produtos de degradação encontrados no
cromatograma da solução “fora de controle” eram realmente correlacionados à Olanzapina.
Figura 34. Cromatograma da solução de Olanzapina da amostra da produção "fora de
controle".
Fonte. Autoria própria, 2017.
C A P Í T U L O 2 P á g i n a | 96
Figura 35. Cromatograma da solução do placebo da Olanzapina.
0 1 2 3 4 5 6 7 8 9
-1
0
1
2
3
4
Inte
nsi
da
de
, m
AU
Tempo, min
DAD-CH1 - 260 nm
Fonte. Autoria própria, 2017.
Através dos resultados observados nos cromatogramas, foi possível verificar que na
solução placebo não houve a formação de nenhum pico no tempo de retenção dos picos
existentes na amostra “fora de controle”, confirmando, assim, que os picos são produtos de
degradações existentes nas amostras.
Tabela 6. Porcentagem dos produtos de degradação presentes nas amostras da produção
"fora de controle".
T.R. (min) Pico Área Porcentagem em comparação ao pico da
Olanzapina
3,12 Desconhecida 604 0,0043% 3,49 Desconhecida 54500 0,3896% 4,09 Desconhecida 3568 0,0255% 5,60 Desconhecida 906 0,0064% 8,57 Olanzapina 13988751 -
Apesar dos resultados encontrados nas cartas de resíduos, as porcentagens de
sucesso das cartas foram bastante satisfatórias, como descritas anteriormente. Portanto, as
cartas de controle baseadas no NAS para o controle de processo de Olanzapina
comprimidos revestidos podem ser utilizadas na rotina.
Além da carta controle por NAS, as cartas controle por PCA e por T² Hotelling’s
foram testadas com a finalidade de analisar se com métodos mais simples seria possível
obter o mesmo percentual de sucesso em encontrar valores que estavam “dentro de
controle” e “fora de controle”. Para todas as cartas controle foi utilizado o mesmo pré-
C A P Í T U L O 2 P á g i n a | 97
tratamento nos espectros (derivada de primeira ordem Savitzky-Golay com janela de 15
pontos).
Para a carta controle por PCA, foi utilizada 1 componente principal (PC), cuja
acumulava um total de 93,52% de variância, portanto possuía a capacidade de explicar boa
parte da decomposição. Com a obtenção dos dados, a carta foi construída conforme Figura
36:
Figura 36. Carta controle por PCA – 1 PC.
Fonte. Autoria própria, 2017.
A partir dos dados encontrados é possível verificar que a carta controle por PCA não
foi satisfatória. Apesar das amostras que estavam “dentro de controle” apresentar uma taxa
de sucesso satisfatória (aproximadamente 96%), as que estavam “fora de controle” não
foram bem definidas, o modelo não conseguiu identificar algumas amostras que deveriam
estar fora do intervalo corretamente (limite de confiança de 95%).
Logo em seguida, a carta controle T² Hotelling’s foi criada, também originada com 3
componentes principais. A Figura 37 apresenta os resultados encontrados:
C A P Í T U L O 2 P á g i n a | 98
Figura 37. Carta controle por T² Hotelling's.
Fonte. Autoria própria, 2017.
O mesmo perfil da carta controle por PCA foi observada por T² Hotelling’s. A taxa de
sucesso para as amostras que estavam “dentro de controle” foi elevada (aproximadamente
98%), porém as amostras que estavam “fora de controle” também não foram definidas
corretamente.
Portanto, o modelo da construção da carta de controle multivariada por NAS foi a
mais eficaz, uma vez que as informações do placebo e das amostras “NOC” dentro da carta
controle tornaram-se imprescindíveis para o modelo criar o vetor NAS, ou seja, o sinal
analítico específico da Olanzapina na presença dos inúmeros interferentes presentes, tanto
nas amostras (excipientes) e nas amostras que sofreram degradação forçada - dessecação
(fora de controle).
5. CONCLUSÃO DO CAPÍTULO 2
Esse capítulo apresentou uma aplicação de cartas de controle multivariadas
baseadas no NAS utilizando o NIR para o monitoramento da Olanzapina em formas
farmacêuticas produzidas pelo NUPLAM/UFRN, em parceria com a EMS Ltda. Através do
NAS, foi possível desenvolver três cartas de controle (NAS, interferentes e resíduos), com
seus respectivos níveis de controle. As cartas de controle multivariadas foram validadas e foi
C A P Í T U L O 2 P á g i n a | 99
possível identificar amostras, as quais estavam dentro e fora do controle com sucesso. Essa
metodologia forneceu uma ferramenta simples, rápida e eficaz para quantificação
classificação da quantidade de Olanzapina na presença de excipientes em amostras
laboratoriais e comerciais.
C A P Í T U L O 3 P á g i n a | 100
Capítulo 3
C A P Í T U L O 3 P á g i n a | 101
Capítulo 3 – DETERMINAÇÃO DO CONTEÚDO DE ÁGUA EM GRANULADOS DE
OLANZAPINA PARA PRODUÇÃO DE COMPRIMIDOS REVESTIDOS
1. INTRODUÇÃO
O conteúdo de água de granulados é um atributo de qualidade crítica na produção de
formas farmacêuticas sólidas de via oral. Um controle inadequado pode levar a desvios
durante os processos subsequentes, tais como fluxo dos pós, tendências de baixa
homogeneidade, aumento da friabilidade e propriedades de deterioração dos comprimidos,
bem como mudanças nas propriedades físicas do produto acabado, por exemplo: dureza,
friabilidade e tempo de desintegração (AMIDON e HOUGHTON, 1995; SUN, 2008). Além
disso, mesmo uma umidade residual ligeiramente elevada pode afetar negativamente a
estabilidade de longo prazo do produto final, uma vez que quantidade elevada de água pode
promover a degradação do princípio ativo por hidrólise (WATERMAN e ADAMI, 2005).
Portanto, níveis de umidade adequados são cruciais em processos produtivos de formas
farmacêuticas sólidas (PETERS, et al., 2017).
Uma etapa de produção amplamente utilizada, a qual afeta diretamente e
decisivamente o conteúdo de umidade é a granulação em leito fluidizado. Nela ocorre
mistura, promoção de formação de grânulos através de sprays e, por último, secagem. Após
a mistura dos excipientes, o spray de granulação líquida induz a formação de pontes
C A P Í T U L O 3 P á g i n a | 102
líquidas e inicia-se a aglomeração das partículas. Embora diversas pesquisas tenham
estudado esse processo, a variedade de parâmetros controláveis, como por exemplo a taxa
de fluxo de líquido, a temperatura do ar de entrada (SCHAEFER e WORTS, 1978) e
aqueles, os quais são dificilmente controláveis, como a umidade do ar de entrada
(GREENHALGH e WESTRUP, 1997; LIPSANEN, et al., 2007), tornam o processo
complexo. O resultado combinado desses parâmetros é a umidade do grânulo, a qual afeta
criticamente a taxa de crescimento dos grânulos e o seus tamanhos, também é a melhor
propriedade a ser medida para controlar o processo (FRAKE, et al., 1997). Embora seja bem
conhecido, ainda é comum se basear em determinações descontínuas de umidade por
perda por secagem (PPS) e titulação por Karl Fischer (KF) em um conjunto limitado de
amostras em processos e de liberação (GREEN , et al., 2005). No entanto, o método KF é
demorado, destrutivo e requer reagentes bastante tóxicos ao ambiente. Além disso, a
umidade do ambiente pode afetar nos resultados de amostras com baixa umidade, uma vez
que os vials necessitam ser abertos antes das análises.
Em 2004, a agência regulatória de medicamentos e alimentos dos Estados Unidos
(US Food and Drug Administration – FDA) publicou seu guia sobre Tecnologias Analíticas
em Processo (PAT), o qual encoraja as indústrias para obter mais controle sobre seus
processos produtivos, bem como conhecer melhor o seu processo e trocar para análises em
processos durante a produção (U.S. FOOD AND DRUG ADMINISTRATION, 2004). Uma
ferramenta de medição em linha descrita para monitoramento de umidade é a
espectroscopia de infravermelho próximo (NIRS) (FRAKE, et al., 1997; WATANO,
TERASHITA e MIYANAMI, 1991; RANTANEN, et al., 2000).
A espectroscopia no infravermelho próximo (NIRS) tem recebido ampla aceitação
com a indústria farmacêutica, bem como a agrícola para testes em matérias-primas,
produtos acabados e em controle em processo. Uma das grandes vantagens da utilização
do NIR na determinação do conteúdo de água, é que as análises podem ser feitas através
de vials de vidros tampados, ou seja, a umidade do ambiente não interfere na resposta
(ZHENG, et al., 2007).
Estudos prévios mostraram que a água possui forte absorção na região do
infravermelho próximo em torno de 760, 970, 1450 e 1940 nm. As bandas mais fortes de
absorção da água aparecem em 1400 a 1450 nm e 1900 a 1950 nm, os quais são
originadas devido ao primeiro sobretons do estiramento do OH e à combinação da faixa de
estiramento e do dobramento do OH, respectivamente (LUCK, 1974). Variações nas bandas
da água em torno da região de 1400 nm são dependentes do estado da água nas amostras.
Em amotras úmidas, por exemplo, com conteúdo de água em torno de 70 a 90%, a banda
C A P Í T U L O 3 P á g i n a | 103
de absorção são similiares aquelas de água pura, em torno de 1400 a 1410 nm. Já em
amostras dessecadas, a banda associada com a água livre parece desaperecer e um novo
traço de absorção aparece em torno de 1430 nm, devido à água intrínseca (BÜNING-
PFAUE, 2006).
Essas duas faixas de comprimento de onda são frequentemente utilizadas para
quantificar o conteúdo de água em várias amostras. A outra banda correspondente à água
na região do NIR é a de 970 a 1190 nm. Essas já não são fortes, por serem geradas devido
ao segundo sobreton do estiramento do OH, bem como a combinação do primeiro sobreton
do estiramento e do dobramento do OH (LUCK, 1974).
A determinação do conteúdo de água por NIRS em ambos os modelos de
trasmitância e reflectância são descritos extensivamente na literatura (REICH, 2005;
BAKEEV, 2004; LIN e HSU, 2002; DZIKI, et al., 2000; BLANCO, et al., 1998; ZHOU, HINES
e BORER, 1998; KAMAT, LODDER e DELUCA, 1989), com diversas aplicações na
agricultura, floretal, téxtil, química e farmacêutica. Os primeiros trabalhos foram pontuados e
discutidos por Blanco et al. (1998), e publicações foram revisadas por Reich (2005).
Granulados farmacêuticos tipicamente contêm em torno de 1 a 3% de água residual, o qual
se caracteriza como um intervalo limitado para a construição de modelos de calibração.
Para ampliá-la, amostras laboratoriais são preparadas por adição de umidade e posterior
secagem (LIN e HSU, 2002; SUKOWSKI, 2003). No entanto, essas amostras não melhoram
significativamente a previsão dos resultados.
Portanto, no capítulo 3 dessa tese foi desenvolvida uma estratégia quimiométrica
baseada em PCR, utilizando a espectroscopia no infravermelho próximo para medir
quantitativamenteo conteúdo de água em granulados contendo Olanzapina, como princípio
ativo, com o objetivo de incluir essa tecnologia em escala de processo produtivo, etapa de
mistura, no NUPLAM/UFRN.
2. OBJETIVO
O presente capítulo tem como objetivo:
Determinar quantitativamente o conteúdo de água em granulados contendo
Olanzapina, como princípio ativo, utilizando o NIR e, demonstrar a sua viabilidade
como método não invasivo e não destrutivo, em comparação ao método tradicional,
Karl Fischer.
C A P Í T U L O 3 P á g i n a | 104
3. MATERIAIS E MÉTODOS
3.1. Materiais
3.1.1. Matéria-prima, solventes e outros materiais
Água ultrapurificada (Milli-Q)
Metanol seco – Vetec®
Reagente de Karl Fischer- Hydranal R Composite 5K.
Matéria-prima (Olanzapina polimorfo II);
Excipientes (fornecidos pelo NUPLAM/UFRN e EMS Ltda.):
o Celulose microcristalina 101;
o Celulose microcristalina 102;
o Estearato de magnésio;
o Dióxido de silício coloidal;
o Poloxamer;
o Crospovidona;
o Lactose;
3.1.2. Equipamentos e materiais de laboratório
Balança Semi-micro Analítica – METTLER®;
Vials do NIR (50 mL de capacidade) – Bruker®;
Espectrofotômetro no Infravermelho Próximo (FT-NIR), modelo MPA® (Bruker,
Alemanha), equipado com esfera de integração, compartimento de amostras líquidas
e sonda. Software OPUS®;
Titulador automático Karl Fischer (KF), modelo Basic Titrino 794 (Methrom®,
Herisau, Suiça), equipado com unidade de seringa de 10 mL, agitador magnético 703
Ti Stand, com unidade intercambiável;
Estufa de secagem à vácuo, modelo Q819V2 (Quimis®, Brasil), equipado com
bomba à vácuo.
3.2. Métodos
3.2.1. Preparo das amostras e delineamento experimental
O intervalo da concentração do conteúdo de água dos granulados foi selecionado
utilizando o D-Optimal Solution do software Modde® (MKS Data Analytic Solutions, Sweden)
totalizando 40 experimentos (variação de 0,99 a 5,57% m/m do conteúdo água no
C A P Í T U L O 3 P á g i n a | 105
granulado), abrangendo todos os eixos e o ponto central do espaço das misturas ternárias.
As amostras laboratoriais foram pesadas, cada uma contendo uma média de 400 mg de
mistura de componentes, em balança semicroanalítica, com exatidão de 0,0001 g,
transferidas para os vials do NIR (capacidade de 50 mL) e homogeneizadas em agitador de
tubo por 3 min. A produção dos granulados seguiu-se conforme ordem de produção da
formulação do NUPLAM. Por segredo industrial, essa etapa não poderá ser divulgada.
As amostras de produção (40 unidades com conteúdo de água desconhecido, todas
provenientes de um mesmo lote de produção) constituídas de granulados da mistura de
Olanzapina com os excipientes, peso médio de 400 mg, foram obtidas do NUPLAM/UFRN
em parceria com a EMS Ltda. Todas as amostras foram homogeneizadas como descrito
para as amostras laboratoriais.
Todos os vials, sem tampa, contendo amostras foram inseridos em estufa de
secagem à vácuo, programada na temperatura de 60°C e com pressão de 0,05 Mpa. As
amostras foram sendo retiradas da estufa, e tampadas, em cada intervalo de tempo de 30
minutos até 9h de exposição, em seguida cada amostra, foi analisada no infravermelho
próximo e logo em seguida levada para análise no Karl Fischer.
3.2.2. Espectroscopia no Infravermelho Próximo
Os espectros do NIR foram coletados no modo de reflectância difusa via
espectrofotômetro FT-NIR, modelo MPA® (Bruker, Alemanha), equipado com a esfera de
integração. Em cada amostra foram obtidos espectros, em triplicata, com uma média de 32
scans, resolução de 32 cm-1 e intervalo de comprimento de onda de 900 a 2500 nm. O
espectro de fundo foi obtido utilizando lâmina revestida de ouro. Os espectros foram obtidos
em ambiente climatizado com temperatura controlada de 22°C e umidade relativa do ar de
60%. Todas as análises no NIR foram realizadas com os vials tampados, para impedir que a
amostra recebesse umidade do ambiente.
3.2.3. Análise do conteúdo de água por Karl Fischer
Após análise no NIR, as amostras foram levadas para um titulador potenciométrico
automático (Karl Fischer), modelo Basic Titrino 794 (Metrhom®, Herisau, Suiça), equipado
com unidade de seringa de 10 mL, agitador magnético 703 Ti Stand, com unidade
intercambiável. Cerca de 0,5 g de cada amostra foi pesada, individualmente, imediatamente
antes de inseri-la no recipiente da análise do KF. Após cada obtenção dos resultados,
sucessivas amostras foram inseridas.
C A P Í T U L O 3 P á g i n a | 106
Após obtenção de todos os dados, os resultados encontrados foram tratados para
obtenção do modelo de calibração multivariado.
3.2.4. Construção do modelo de calibração multivariado
Todos os cálculos (modelos e pré-tratamentos) foram realizados usando o software
MATLAB versão 6.5 (The Math-Works, Natick, USA) com o PLS-toolbox versão 6.01
(Eigenvector Research, Inc., USA). Primeiramente, o espectro NIR calculado foi
transformado em log 1/R, seguido pelo cálculo da média dos espectros (triplicata).
Diferentes pré-tratamentos, por exemplo: Suavização (Smoothing Savitzky-Golay) (SGS)
(com janela de 7 pontos), Correção de Espalhamento Multiplicativo (MSC), Derivada de
primeira ordem Savitzky-Golay (com janela de 7 pontos) e Variável Normal Padrão (SNV)
foram aplicadas nos espectros, com o objetivo de minimizar características indesejáveis, tais
como: deslocamento espectral, ruído, linha de base e espalhamento (NEVES, et al., 2012;
MARIANI, et al., 2014).
O modelo de regressão (PCR) foi desenvolvido e validado utilizando a ampla
validação cruzada deixando uma amostra de fora (leave-one-out full cross-validation) -
RMSECV. Para evitar sobreposição, o conjunto de dados utilizados para calibração foi
constituído de 75% e 25% dos espectros de amostras laboratoriais e produção,
respectivamente. Já para o conjunto de dados utilizados para validação continha 25% e 75%
dos espectros de amostras laboratoriais e de produção, respectivamente. A escolha dos
espectros foi feito através do algoritmo clássico de Kennard-Stone (KS) (1969). Os
seguintes parâmetros de qualidade foram utilizados para avaliar o modelo de calibração,
respectivamente: RMSEC, RMSEP, coeficiente de correção para cada modelo: calibração
(rc) e predição (rp). O teste estatístico (EJCR – Elliptical Joint Confidence Region) foi
calculado para avaliar a inclinação, o intercepto da regressão de referência e para predizer
valores no intervalo de confiança de 95%.
Finalmente, validar um método analítico implica em determinar se é amplamente feito
para o seu propósito. Para isso, algumas figuras de mérito (EURACHEM AND CITAC, 2002;
ICH, 1995; ICH, 1997) foram determinadas, tais como: sensibilidade, seletividade,
sensibilidade analítica, precisão, teste para o erro sistemático “bias”, exatidão, LD e LQ.
Seus respectivos conceitos e como calculá-los estão descritos no capítulo 1 dessa tese.
Todo o esquema para a construção do modelo de calibração multivariado, sua
validação e análise dos dados de previsão foram construídos conforme demonstrado
também na Figura 20 do Capítulo 1 desta tese.
C A P Í T U L O 3 P á g i n a | 107
4. RESULTADOS E DISCUSSÃO
4.1. Relação entre os dados de NIR e KF
Os espectros de NIR puros (27 amostras laboratoriais) apresentaram o desvio da
linha de base e sobreposição de pico como os principais efeitos de variações. Os espectros
das preparações farmacêuticas foram bastante similares, provavelmente pela baixa
porcentagem de água existente nas amostras.
São apresentados, na Figura 38, os espectros puros de todas as amostras, sendo
possível notar a elevada semelhança entre cada grupo de amostras, tornando o método
com elevado grau de dificuldade para calibração univariada, necessitando, assim, da
realização de um pré-tratamento conforme pode ser verificado na Figura 39.
Os modelos de calibrações construídos com todo o intervalo de espectro medido (800
a 2500 nm) apresentaram baixo percentual de correlação para quase todos os pré-
tratamentos utilizados, quando comparado com os resultados obtidos pelo método de
referência (KF). Provavelmente, devido ao fato da baixa concentração da água nas
amostras, e que as absorvâncias dos demais constituintes sobrepõe o sinal do analito.
Por esta razão, a escolha dos espectros foi feito através do algoritmo clássico de
Kennard-Stone (KS) (KENNARD e STONE, 1969) para encontrar o intervalo que
melhorasse a classificação. Conforme descrito na literatura, a faixa de comprimento de onda
que a água possui forte absorção foi escolhida (1600 a 2200 nm), como pode ser
visualizado na Figura 40. Os melhores modelos obtidos durante a etapa de pré-tratamento
foram Suavização (Smoothing Savitzky-Golay – com janela de 7 pontos) seguida de MSC.
C A P Í T U L O 3 P á g i n a | 108
Figura 38. Espectros NIR puro das 120 amostras laboratoriais
Fonte. Autoria própria, 2017.
Figura 39. Espectros puros de NIR das amostras após seleção das variáveis.
Fonte. Autoria própria, 2017.
C A P Í T U L O 3 P á g i n a | 109
Figura 40. Espectros NIR de todas as amostras após o pré-tratamento com a suavização
(SGS) e MSC.
Fonte. Autoria própria, 2017.
Um modelo de regressão por PCR foi desenvolvido para o princípio ativo, validado
utilizando a ferramenta de ampla validação cruzada “leave-one-out” (RMSECV) e o número
ideal de fatores de PCR escolhido como o mínimo no gráfico de variância residual versus o
número de fatores. A regressão pelos componentes principais, em inglês “Principal
Component Regression - PCR” é um método matemático que é capaz de descrever a
covariância entre dados espectrais NIR multidimensionais e a variável resposta através do
pequeno número de variáveis latentes ou fatores de PCR. No método, foram necessárias
três variáveis latentes para descrever 99% da variância no espectro. O modelo de calibração
apresentou RMSEC (0,365%), RMSEP (0,457%), com coeficiente de regressão para
calibração (rc = 0,94) e previsão (rp = 0,94). A Figura 41 apresenta a relação entre os valores
previstos e de referência das amostras laboratoriais no grupo de calibração e de validação.
C A P Í T U L O 3 P á g i n a | 110
Figura 41. Relação entre conteúdo de água prevista (NIR) e a de referência (KF) para
amostras de calibração e previsão, através do modelo de PCR para Olanzapina. (●) grupo
de calibração; (●) grupo de validação.
Fonte. Autoria própria, 2017.
A diagonal preta representa o resultado ideal, ou seja, quanto mais próximo os
pontos estiverem da diagonal, melhor é o ajuste do modelo. É possível verificar que todas as
concentrações calculadas, de ambos os grupos (calibração e validação), foram próximos
aos valores reais.
A fim de obter mais informações a cerca da precisão do método, uma análise de
regressão linear versus os valores de concentração encontrados foi realizada. O intercepto
estimado e a inclinação foram comparados com os valores ideias de 0 e 1 utilizando o teste
de EJCR. Os cálculos de EJCR são um meio conveniente para determinar se existem viés
na determinação de ambos os parâmetros quando se utiliza o modelo PLS. Como pode ser
visto na Figura 42, o ponto (a = 0, b = 1) apresentou-se dentro do elipse do EJCR, portanto
pode-se concluir que erros constantes e proporcionais estão ausentes.
C A P Í T U L O 3 P á g i n a | 111
Figura 42. Teste EJCR para o intercepto e a inclinação da regressão do conteúdo de água
prevista versus a de referência utilizando uma validação externa pelo modelo PCR.
Fonte. Autoria própria, 2017.
Baseado na análise comparativa descrita anteriormente, o modelo PCR com os pré-
tratamentos espectrais SGS, SNC e MSC foram aplicados para predizer o conteúdo de água
presente em 40 amostras desconhecidas (amostras laboratoriais, n = 1-15; amostras da
produção, n= 16-30) após aplicação de mesmo pré-tratamento utilizado no grupo de dados
de calibração, as quais podem verificadas na Tabela 7.
C A P Í T U L O 3 P á g i n a | 112
Tabela 7. Comparação dos resultados do conteúdo de água de amostras laboratoriais e de
produção por NIR e por KF
Amostras Concentração (% m/m)
Previsão (NIR) Referência (KF)
1
Laboratoriais
4,69 5,00
2 1,91 2,59
3 2,25 2,09
4 2,05 2,38
5 1,92 2,09
6 1,88 2,28
7 1,86 2,07
8 1,86 1,96
9 1,82 1,77
10 1,87 1,83
11 1,72 2,28
12 1,82 1,86
13 1,81 1,87
14 1,85 2,25
15 1,56 1,77
16 1,56 1,77
17 1,55 1,57
18 1,72 1,76
19 1,59 1,30
20 1,57 1,22
21
Produção
1,26 0,93
22 1,24 0,93
23 1,24 1,03
24 1,19 1,29
25 1,22 0,99
26 1,41 1,16
27 1,54 1,52
28 4,44 4,38
29 4,32 4,47
30 4,07 4,15
31 3,97 3,95
32 3,51 3,4
33 3,63 3,83
34 3,41 3,21
35 3,40 3,21
36 3,10 3,01
37 3,44 3,41
38 3,50 3,33
39 3,15 2,82
40 3,33 3,04
C A P Í T U L O 3 P á g i n a | 113
Para comparar os métodos, convencional (KF) e alternativo (NIR-PLS), o Teste-t
pareado foi aplicado. Nesse teste foi possível verificar que não houve nenhuma diferença
estatística entre os dois métodos, no nível de confiança de 95% (p = 0,5 e t = 2,0). A
repetibilidade do método de referência por Karl Fischer foi avaliada, como requerido pela
ANVISA (BRASIL, 2003) para assegurar que as análises apresentavam consistência nos
resultados. Foram analisadas no KF 6 replicatas de uma amostra laboratorial. O resultado
encontrado mostrou desvio padrão residual (DPR) de 0,9% (recomendado é que seja menor
do que 2,0%), demonstrando assim que o método de referência é preciso.
Novos métodos analíticos devem ser validados antes de serem utilizados na indústria
farmacêutica. O método NIR proposto foi validado de acordo com o guia ICH (1997)
avaliando a seletividade, sensibilidade, sensibilidade analítica, precisão, exatidão e limites
de detecção e quantificação. A Tabela 8 apresenta as figuras de mérito (FOM) avaliadas
para o método otimizado. Os valores de exatidão, representados por RMSEC e RMSEP
indicaram que os valores do modelo multivariado estimado exibiram concordância aceitável
ao método de referência. A precisão, em nível de repetibilidade, foi avaliada pela análise de
3 amostras (6 replicatas por amostra), no mesmo dia, obtendo assim o DPR no valor de
2,18%. A veracidade foi estimada pelo parâmetro de erro absoluto, utilizando o valor de
RMSEP de 0,31% m/m. A veracidade e a precisão corroboraram que o método pode ser
considerado exato. Para a exatidão e os estudos de linearidade, o intervalo de trabalho
analítico foi definido de 0,99 a 5,57% m/m de conteúdo de água, para que o método fosse
capaz de analisar dentro dos parâmetros de aceitação (até 3,0% m/m). Os parâmetros de
sensibilidade e seletividade avaliados apresentaram resultados aceitáveis, dentro do
intervalo analítico do modelo e os resultados de LD e LQ estimados foram otimistas.
Tabela 8. Figura de Mérito (FOM) do melhor modelo PLS: Conteúdo de água em % m/m.
FOM Conteúdo de Água / % (m/m)
RMSEC 0,3082
RMSECV 0,3208
RMSEP 0,3184
Bias -2,17 x 10-8
cr 0,94
pr 0,94
Inclinação 0,9467
Intercepto 0,1196
Precisão 2,19
Sensibilidade 1,0253
Seletividade 0,2059
C A P Í T U L O 3 P á g i n a | 114
LD 0,2357
LQ 0,9504
RMSEC: erro quadrático médio da calibração; RMSECV: erro quadrático médio da validação
cruzada; RMSEP: erro quadrático médio da previsão; rc: coeficiente de correlação da
calibração; rp: coeficiente de correlação da previsão; LD: Limite de detecção; LQ: Limite de
quantificação
5. CONCLUSÃO DO CAPÍTULO 3
O método por NIR foi desenvolvido, o qual permite a determinação com precisão e
exatidão do conteúdo de água em granulados da mistura de Olanzapina com os excipientes
(lactose, celulose microcristalina, estearato de magnésio, crospovidona, dióxido de silício
coloidal e poloxamer) com o mínimo de tratamento na amostra. De acordo com os
resultados, PCR é um método de regressão promissor que pode ser usado em conjunto com
etapas de pré-tratamentos, os quais devem ser realizados previamente nos espectros, para
assegurar que o modelo de calibração qualitativo/quantitativo seja construído de forma
eficaz e com resultados consistentes. O método NIR, quando comparado ao método de
referência (KF), não apresentou diferença estatística, com intervalo de confiança de 95%.
Os valores de exatidão, precisão e demais figuras de mérito exibiram resultados
promissores, indicando que o método desenvolvido por NIR para a determinação do
conteúdo de água neste tipo de matriz pode ser usado como metodologia alternativa para os
propósitos farmacêuticos.
C O N C L U S Õ E S P á g i n a | 115
Conclusões
C O N C L U S Õ E S P á g i n a | 116
Os resultados desse trabalho mostraram que foi possível construir modelos de
calibração multivariados utilizando o NIR como ferramenta analítica alternativa para análises
da Olanzapina em diferentes matrizes, tornando o processo rápido, não destrutivo e de
baixo custo.
No primeiro capítulo, o método de calibração multivariada por NIR foi desenvolvido e
permitiu a determinação com precisão da Olanzapina e exatidão em produtos laboratoriais e
comerciais sem tratamento complexo na amostra. De acordo com os resultados obtidos, a
regressão por PLS mostrou-se promissor, uma vez que com o auxílio de etapas de pré-
tratamentos nos espectros NIR, foi possível assegurar que o modelo de calibração fosse
construído de forma eficaz e com resultados consistentes. O método NIR, quando
comparado ao método de referência (CLAE), não apresentou diferença estatística, com
intervalo de confiança de 95%, confirmando, assim, que o método pode ser reconhecido
como de referência. Os valores de exatidão, precisão e demais figuras de mérito exibiram
resultados promissores, indicando que o método desenvolvido por NIR para a Olanzapina
pode ser usado para os propósitos farmacêuticos.
No segundo capítulo foi apresentada a aplicação das cartas de controle multivariadas
construídas para o monitoramento da Olanzapina em formas farmacêuticas sólidas
produzidas pelo NUPLAM/UFRN, em parceria com a EMS Ltda. As três cartas de controles
(NAS, Interferentes e Resíduos) baseadas no Sinal Analítico Líquido, foram validadas e a
partir delas, foi possível identificar amostras laboratoriais e de produção, as quais estavam
dentro e fora do controle (limite de especificação do teor), com sucesso. Dessa forma, sua
transposição e aplicação na indústria farmacêutica, no setor de controle em processo, torna-
se viável para a aplicação da Tecnologia Analítica em Processo (PAT), uma vez que possui
a capacidade monitoramento com vantagens de ser simples, rápido e não destrutivo,
quando em linha.
Por fim, no capítulo 3, o método para a determinação do conteúdo de água por NIR
foi desenvolvido com precisão e exatidão em granulados da mistura de Olanzapina com os
excipientes (lactose, celulose microcristalina, estearato de magnésio, crospovidona, dióxido
de silício coloidal e poloxamer) com o mínimo de tratamento na amostra. De acordo com os
resultados, o método de regressão por PCR se mostrou promissor, quando utilizado em
conjunto com etapas de pré-tratamentos nos espectros das amostras laboratoriais e de
produção. Quando comparado ao método de referência (Karl Fischer), o método por NIR
não apresentou diferença estatística, com intervalo de confiança de 95%, além de ter sido
comprovada com sucesso as figuras de mérito. Portanto o método por NIR para a
determinação do conteúdo de água na matriz escolhida pode ser utilizada para seus
propósitos farmacêuticos.
C O N C L U S Õ E S P á g i n a | 117
Mediante o exposto na tese, os primeiros passos para a aplicação da Tecnologia
Analítica em Processo no setor produtivo do NUPLAM/UFRN para análise online da
Olanzapina em suas etapas produtivas foram realizados com sucesso, mostrando que a
instalação de um infravermelho próximo nos equipamentos do Setor Produtivo do
NUPLAM/UFRN favorecerá ao melhor entendimento do processo, garantirá melhor
qualidade aos medicamentos, reduzirá o tempo de análise, custos com reagentes e resíduos
gerados nas análises. Além disso, será capaz de garantir qualidade ao lote do produto por
inteiro (sem realizar uma amostragem), uma vez que o processo de controle analítico será
realizado em cada comprimido produzido.
Por fim, as perspectivas para a implantação do objetivo da tese direcionam para que
os modelos multivariados de análise quantitativa (calibração) e qualitativa (cartas controles)
do fármaco em estudo, bem como seu controle da umidade, poderão ser incorporados em
uma plataforma, em associação com parcerias com o Instituto Metrópole Digital, Instituto de
Química e NUPLAM/UFRN, para criação de software de análise de leitura imediata das
amostras que estarão em escala produtiva.
R E F E R Ê N C I A S P á g i n a | 118
Referências
ALLISON, D. B.; CASEY, D. E. Antipsychotic-induced weight gain: A review of the literature. Journal of Clinical Psychiatry, v. 62, p. 22-31, 2001.
ALVARENGA, L. et al. Tablet identification using near-infrared spectroscopy (NIRS) for pharmaceutical quality control. Journal of Pharmaceutical and Biomedical Analysis, v. 48, n. 1, p. 62-69, Sept 2008.
AMIDON, G.; HOUGHTON, M. The effect of moisture on the mechanical and powder flow properties of microcrystalline cellulose. Pharmaceutical Research, v. 12, n. 6, p. 923-929, Jun 1995.
AMILALI, N. M. et al. Rapid identification of community-associated methicillin-resistante Staphylococcus aureus by Fourier transform infrared spectroscopy. Diagnostic Microbiology and Infectious Disease, v. 70, n. 2, p. 157-166, Jun 2011.
ANDREASSEN, T. N.; FALCH, B. M. H.; SPIGSET, O. A UPLC-MSMS method for the analysis of olanzapine in serum-with particular emphasis on drug stability testing. Journal of Chromatography B, v. 1006, p. 112-120, 2015.
ANVISA. Resolução-RDC N° 166, de 24 de julho de 2017. Guia para validação de métodos analíticos e da outras providências. Agência Nacional de Vigilância Sanitária. Brasília. 2017.
ANVISA. Resolução-RDC N°.31, de 11 de agosto de 2010. Guia sobre a realização dos estudos de equivalência farmacêuticas e de perfil de dissolução comparativo. Agência Nacional de Vigilância Sanitária. Brasília. 2010.
APARISI, F.; CARLOS GARCÍA-DÍAZ, J. Optimization of univariate and multivariate exponentially weighted moving-average control charts using genetic algorithms. Computers & Operations Research, v. 31, p. 1437-1454, 2004.
ASADPOUR-ZEYNALI, K.; BASTAMI, M. Net analyte signal standard addition method (NASSAM) as a novel spectrofluorimetric and spectrophotometri technique for simultaneous determination, application to assay of melatonin and pyridoxine. Spectrochimica Acta Parta-Molecular and Biomolecular Spectroscopy, v. 75, n. 2, p. 589-597, Feb 2010.
AYALA, A. P. et al. Solid state characterization of olanzapine polymorphs using vibrational spectriscopy. International Journal of Pharmaceutics, v. 326, n. 1-2, p. 69-79, Dec 2006.
BAKEEV, K. A. near-infrared spectroscopy as a process analytical tool: part II: at-line and on-line applications and implementation strategies. Spectroscopy, v. 19, p. 39-42, Jan 2004.
BAKEEV, K. A. Process Analytical Technology: Spectroscopic Tools and Implementation Strategies for the Chemical and Pharmaceutical Industries. [S.l.]: Blackwell Publishing Ltd, 2005.
BARTHUS, R. C.; POPPI, R. J. Multivariate Quality Control Applied to Detect the Soybean Oil Oxidation Using Fourier Transform Infrared Spectroscopy. Spectroscopy Letters, v. 35, p. 729-739, 2002.
BHANA, N. et al. Olanzapine-an updatel review of its use in the management of schizophrenia. Drugs, v. 61, n. 1, p. 111-161, 2001.
BHANA, N.; PERRY, C. M. Olanzapine - A review of its use in the treatment of bipolar I disorder. Cns Drugs, v. 15, n. 11, p. 871-904, 2001.
BITTER, I. et al. Olanzapine versus clozapine in treatment-resistant or treatment-intolerant schizophrenia. Progress in Neuro-Psychopharmacology & Biological Psychiatry, v. 28, n. 1, p. 173-180, Jan 2004.
BLANCO, M. et al. Near-infrared spectroscopy in the pharmaceutical industry. Critical Review. Analyst, v. 123, n. 8, p. 135R-150R, 1998.
BLANCO, M. et al. Development and Validation of a near infrared method for the analytical control of a pharmaceutical preparation in three steps of the manufacturing process. Fresenius Journal of Analytical Chemistry, v. 368, n. 5, p. 534-539, Nov 2000.
BLANCO, M. et al. Application of NIR Spectroscopy in polymorphic analysis: study of pseudo-polymorphs stability. Journal of Pharmaceutical Sciences, v. 94, n. 6, p. 1336-1342, Jun 2005.
BLANCO, M.; ALCALÁ, M. Content uniformity and tablet hardness testing of intact pharmaceutical tablets by near infrared spectroscopy. Analytica Chimica Acta, v. 557, p. 353-359, 2006.
BLANCO, M.; ALCALÁ, M. Simultaneous quantitation of five active principles in a pharmaceutical preparation: development and validation of a near infrared spectroscopic method. Official Journal of the Eurpean Federation for Pharmaceutical Sciences, v. 27, p. 280-286, 2006b.
BLANCO, M.; BAÑÓ, R. G.; BETRAN, E. Monitoring powder blending in pharmaceutical processes by use of near infrared spectroscopy. Talanta, v. 56, n. 1, p. 203-212, Jan 2002.
BODNAR, O.; SCHMID, W. CUSUM charts for monitoring the mean of multivariate Gaussian process. Journal of Statistical Planning and Inference, v. 141, n. 6, p. 2055-2070, Jun 2011.
BODSON, C. et al. Validation of manufacturing process of diltiazem HCl tablets by NIR spectrophotometry (NIRS). Journal of Pharmaceutical and Biomedical Analysis, v. 45, n. 2, p. 356-361, Oct 2007.
BONDE, S. I. et al. Simultaneous determination of Olanzapine and Fluoxetine in human plasma by LC-MS/MS: Its pharmacokinetic application. Journal of Pharmaceutical and Biomedical Analysis, v. 90, p. 64-71, 2014.
BOULTON, D. W.; MARKOWITZ, J. S.; DEVANE, C. L. A high-performance liquid chromatography assay with ultraviolet detection for olanzapine in human plasma and urine. Journal of Chromatography B Sci Appl., v. 759, n. 2, p. 319-323, Aug 2001.
BOYER, C. et al. Development of NIRS method for quality control of drug combination artesunate-azithromycin for the treatment of severe malaria. Journal of Pharmaceutical and Biomedical Analysis, v. 67-68, p. 10-15, Sept 2012.
BRAGA, J. W.; POPPI, R. J. Validação de modelos de calibração multivariada: uma aplicação na determinação de pureza polimórfica de carbamazepina por espectroscopia no infravermelho próximo. Química Nova, v. 27, p. 1004-1011, 2004.
BRASIL. Farmacopeia Brasileira. 5. ed. São Paulo: Ateneu, 2010.
BRASIL. Farmacopeia Brasileira. São Paulo: Ateneu, v. Primeiro Suplemento, 2016.
BRITISH PHARMACOPOEIA. The stationary office: pharmacopoeia comission british. In: ______ British Pharmacopoiea. London: The Stationery Office, v. 4, 2010. p. A153-A154.
BROAD, N. et al. Guidelines for the development and validatino of near-infrared spectroscopic methods in the pharmaceutical industry. Chichester: Handbook of Vibrational Spectroscopy, 2002.
BÜNING-PFAUE, H. Analysis of water in food by near infrared spectroscopy. Food Chemistry, v. 82, p. 107-115, 2006.
BURNS, D. A.; CIURCZAK, E. W. Handbook of Near-infrared analysis. 3. ed. New York: CRCPress, 2008.
BYMASTER, F. P. et al. Radioreceptor binding profile of the atypical antipsychotic olanzapine. Neuropsychopharmacology, v. 14, n. 2, p. 87-96, Feb 1996.
BYMASTER, F. P. et al. Potent antagonism of 5-HT3 and 5-HT6 receptors by olanzapine. European Journal of Pharmacology, v. 430, n. 2-3, p. 341-349, Nov 2001.
CALLAGHAN, J. T. et al. Olanzapine pharmacokinetic and pharmacodynamic profile. Clinical Pharmacokinetics, v. 37, n. 3, p. 177-193, Sep 1999.
CAMBRON, P. et al. Power curve monitoring using weighted moving average control charts. Renewable Energy, v. 94, p. 126-135, 2016.
CAMPIANI, G. et al. Pyrrolo 1,3 benzothiazepine-based serotonin and dopamine receptor antagonists. Molecular modeling, further structure-activity relationship studies, and identification of novel atypical antipsychotic agents. Journal of Medicinal Chemistry, v. 47, n. 1, p. 143-157, Jan 2004.
CAPUANO, B. et al. 2-methyl-4-(4methylpiperazin-1-yl)-10H-thieno 2,3-b 1,5 benzoadizepine methanol solvate monohydrate. Acta Crystallographica Section E-Structure Reports Online, v. 59, p. 1367-1369, Sep 2003.
CITROME, L. et al. Weight gain and changes in metabolic variables following olanzapine treatment in schizophrenia and bipolar disorder. Clinical Journal Investigation, v. 31, p. 455-482, 2011.
CLAVAUD, M. et al. Chemometrics and in-line near infrared spectroscopic monitoring of a biopharmaceutical Chinese hamster ovary cell culture: predicition of multiple cultivation variables. Talanta, v. 111, p. 28-38, 2013.
COSTA, F. S. L. Seleção de variáveis, detecção de outlier e figuras de mérito para a determinação simultânea de ensaios de dissolução de comprimidos contendo isoniazida, rifampicina, pirazinamida e etambutol usando esectroscopia no infravermelho próximo (NIRS). Universidade Federal do Rio Grande do Norte. Natal, p. 11-16. 2012.
COSTA, F. S. L. Cartas de controle multivariadas para o monitoramento simultâneo do teor de isoniazida e rifampicina em uma formulação farmacêutica empregando a espectroscopia no infravermelho próximo. Universidade Federal do Rio Grande do Norte. Natal. 2014.
COSTA, F. S. L. et al. Multivariate control charts for simultenous quality monitoring of isoniazid and rifampicin in a pharmaceutical formulation using a portable near infrared spectrometer. Journal of the Brazilian Chemical Society, v. 26, n. 1, p. 64-73, 2015.
D'ARRIGO, C. et al. Determination of olanzapine in human plasma by reversed-phase high-performance liquid chromatography with ultraviolet detection. Therapeutic Drug Monitoring, v. 28, n. 3, p. 388-393, Jun 2006.
DE BEER, T. et al. Near infrared and raman spectroscopy for the in-process monitoring of pharmaceutical production processes. International Journal of Pharmaceutics, v. 417, n. 1-2, p. 32-47, Sep 2011.
DUONG, N. -H. et al. A homogeneity study using NIR spectroscopy: tracking magnesium stearate in Bohle bin-blender. Drug Delivery, v. 29, p. 679-687, 2003.
DZIKI, W. et al. The use of near-infrared spectroscopy to monitor de mobility of water within the sarafloxacin crystal lattice. Journal of Pharmaceutical and Biomedical Analysis, v. 22, p. 829-848, 2000.
EL-HAGRASY, A. S.; D'AMICO, F.; DRENNEN III, J. K. A process analytical technology approach to near-infrared process control of pharmaceutical powder blending. Part I: D-optimal design for characterization of powder mixing and preliminary spectral data evalution. Journal of Pharmaceutical Sciences, v. 95, n. 2, p. 392-406, Feb 2006.
EMEA/CHMP/CVMP/QWP. Guideline on the use of near infrared spectroscopy by the pharmaceutical industry and the data requirements for new submissions and variations. Agency of European Union. London. 2009.
ERMER, J.; MILLER, J. H. M. Method Validation in pharmaceutical analysis: a guide to best practice. Wiley-vch Verlag Cmbh & Co. Kgaa. Weinheim. 2000.
EURACHEM AND CITAC-WORK-GROUP. Guide of Quality in Analytical Chemistry: an aid to accreditation. EURACHEM and CITAC. [S.l.]. 2002.
FERREIRA, H.; BRAGA, J. W. B.; SENA, M. Deveplopment and validation of a chemometric method for direct determination of hydrochlorothiazide in pharmaceutical samples by difuse reflectance near infrared spectroscopy. Microchemical Journal, v. 109, p. 158-164, Jul 2013.
FERREIRA, M. M. C. et al. Quimiometria I: calibração multivariada, um tutorial. Química Nova, São Paulo, v. 22, n. 5, Outubro 1999.
FEVOTTE, G. et al. Applications of NIR spectroscopy to monitoring and analyzing the solid state during industrial crystallization processes. International Journal of Pharmaceutics, v. 273, n. 1-2, p. 159-169, Apr 2004.
FOULK, S. What's happening in Chemometrics? American Laboratory, p. 37, Jun 2005.
FRAKE, P. et al. Process control and end-point determination of a fluid bed granulation by application of near infra-red spectroscopy. International Journal of Pharmaceutics, v. 151, n. 1, p. 75-80, May 1997.
FREITAS, M. R. et al. Inclusion complex of methyl-beta-cyclodextrin and olanzapine as potential drug delivery system for schizophrenia. Carbohydrate Polymers, v. 89, p. 1095-1100, 2012.
FULTON, B.; GOA, K. L. Olanzapine: a review of its pharmacological properties and therapeutic efficacy in the management of schizophrenia and related psychoses. Drugs, v. 53, n. 2, p. 281-298, Feb 1997.
GELADI, P. et al. Calibration transfer for predicting lake-water pH from near infrared spectra of lake sediments. Journal of Near Infrared Spectroscopy, v. 7, n. 4, p. 251-264, 1999.
GENDRE, C. et al. Development of process analytical technology (PAT) for in-line monitoring of film thickness and mass of coating materials during a pan coating operation. European Journal of Pharmaceutical Sciences, v. 43, n. 4, p. 244-250, Jul 2011.
GOLDSTEIN, L. E. et al. A new-onset diabete mellitus and diabetic ketoacidosis associated with olanzapine treatment. Psychosomatics, v. 40, n. 5, p. 438-443, Oct 1999.
GREEN , R. L. et al. In-line monitoring of moisture content in fluid bed dryers using near-IR spectroscopu with consideration of sampling effects on method accuracy. Analytical Chemistry, v. 77, n. 14, p. 4515-4522, Jul 2005.
GREENHALGH, D.; WESTRUP, J. Process control during fluid bed granulation-the importance of humidity control. Journal of Pharmacy and Pharmacology, v. 49, p. 22, 1997.
GRUNERT, T. et al. Rapid and reliable identification of staphyloccoccus aureus capsular serotypes by means of artificial neural network-assisted fourier transform infrared spectroscopy. Journal of Clinical Microbiology, v. 51, n. 7, p. 2261-2266, Jul 2013.
HAMM, G. et al. Quantitative mass spectrometry imaging of propranolol and olanzapine using tissue extinction calculation as normalization factor. Journal of Proteomics, v. 75, n. 16, p. 4952-4961, 2012.
HENDRICKX, S. et al. A sensitive capillary LC-UV method for the simultaneous analysis of olanzapine, chlorpromazine and their FMO-mediated N-oxidation products in brain microdialysates. Talanta, v. 162, p. 268-277, 2017.
HERMAN, A.; HSIEH, C. -L. Measurement of moisture content for rough rice by visible and near-infrared (NIR) spectroscopy. Engineering in Agriculture, Environment and Food, v. 9, n. 3, p. 280-290, Jul 2016.
HERTRAMPF, A. et al. Semi-quantitative prediction of a multiple API solid dosage form with a combination of vibrational spectroscopu methods. Journal of Pharmaceutical and Biomedical Analysis, v. 124, p. 246-253, May 2016.
HETRAMPF, A. et al. A PAT-based qualification of pharmaceutical excipients produced by batch or continuous processing. Journal of Pharmaceutical and Biomedical Analysis, v. 114, p. 208-215, 2015.
HOLLER, F. J.; SKOOG, D. A.; CROUCH, S. R. Princípios de Análise Instrumental. Porto Alegre: Bookman, 2009.
HUMAN, S. W.; CHAKRABORTI, S.; SMIT, C. F. Shewart-type control charts for variation in phase I data analysis. Computational Statistics and Data Analysis, v. 54, p. 863-874, 2010.
HURREN, K. M.; BERLIE, H. D. Lorcaserin: an investigational serotonin 2C agonist for weight loss. American Journal of Health-System Pharmacy, v. 68, n. 21, p. 2029-2037, Nov 2011.
ICH. Tipartite Guideline - Q2A Text on Validation of Analytical Procedure. International Conference on Harmonization (ICH). USA. 1995.
ICH. Guidance for Industry. Q2B Validation of Analytical Procedures: Methodology. Rockville: International Harmonization Conference, 1996.
ICH. Tripartite Guideline - Q2A Text on Validation of Analytical Procedure: Methodology.. International Conference on Harmonization (ICH). USA. 1997.
IÇTEN, E.; NAGY, Z. K.; REKLAITIS, G. V. Process control of a dropwise additive manufacturing system for pharmaceuticals using polynomial chaos expansion based surrogate model. Computers & Chemical Engineering, v. 83, p. 221-231, 2015.
INACIO, M. R. C.; DE MOURA, M. D. F. V.; DE LIMA, M. G. Classification and determination of total protein in milk powder using near infrared reflectance spectrometry and the successive projections algorithm for variable selection. Vibrational Spectroscopy, v. 57, n. 2, p. 342-345, 2011.
INMETRO. DOQ-CGCRE-008. Orientação sobre validação de métodos de ensaios químicos. Instituto Nacional de Metrologia, Qualidade e Tecnologia. [S.l.]. 2016.
JAMRÓGIEWICZ, M. Application of the near-infrared spectroscopy in the pharmaceutical technology. Journal of Pharmaceutical and Biomedical Analysis, v. 66, p. 1-10, 2012.
JULIA, M. et al. Prospects for multivariate classification of a pharmaceutical intermediate with near-infrared spectroscopy as a process analytical technology (PAT) production contro supplement. European Journal of Pharmaceutics and Biopharmaceutics, v. 76, p. 320-327, 2010.
KAMAT, M. S.; LODDER, R. A.; DELUCA, P. P. Near-infrared spectroscopic determination of residual moisture in lyophilized sucrose through intact glass vials. Pharmaceutical Research, v. 6, n. 11, p. 961-965, 1989.
KANDO, J. C. et al. Olanzapine: a new antipsychotic agent with efficacy in the management of schizophrenia. Annals of Pharmacotheraphy, v. 31, n. 11, p. 1325-1334, Nov 1997.
KASPER, S. C. et al. Determination of olanzapine in human breast milk by high-performance liquid chromatography with electrochemical detection, Journal of Chromatography B Biomed. Sci. Appl., v. 726, n. 1-2, p. 203-209, Apr 1999.
KELLEHER, J. P. et al. Advances in atypical antipsychotics for the treatment of schizophrenia - new formulations and new agents. Cns Drugs, v. 16, n. 4, p. 249-261, 2002.
KENNARD, R.; STONE, L. Computer aided design of exerpiments. Technometrics, v. 11, p. 137-148, 1969.
KHOJAINOVA, N. et al. Olanzapine in the management of cancer pain. Journal of Pain and Symptom Management, v. 23, n. 4, p. 346-350, Apr 2002.
KIM, K. S. et al. An open pilot trial of olanzapine for delirium in the Korean population. Psychiatry and Clinical Neurosciences, v. 55, n. 5, p. 515-519, Oct 2001.
KIM, S. B. et al. Data minng model-based control charts for multivariate and autocorrelated processes. Expert Systems with applications, v. 39, p. 2073-2081, 2012.
KOURTI, T.; NOMIKOS, P.; MACGREGOR, J. F. Analysis, monitoring and fault diagnosis of batch processes using multiblock and multiway PLS. Journal of Process Control, v. 5, p. 277-284, 1995.
KRISTÓ, K. et al. Process Analytical Technology (PAT) approach to the formulation of thermosensitivie protein-loaded pellets: Multi-point monitoring of temperature in a high-shear pelletization. European Journal of Pharmaceutical Sciences, v. 95, p. 62-71, Dec 2016.
LI, W. et al. Determination of polymorph conversion of an active pharmaceutical ingredient in wet granulation using NIR calibration models generated from the premix blends. Journal of Pharmaceutical Sciences, v. 94, p. 2800-2806, 2005.
LI, Y. et al. Simultaneous analysis of moisture, active component and cake structure of lyophilized powder with diffuse reflectance FT-NIR chemometrics. Journal of Pharmaceutical and Biomedical Analysis, v. 55, p. 216-219, 2011.
LIMA, A. A. N. Aplicação do controle estatístico de processo na indústria farmacêutica. Ver. Ciências Farm. Básica Apl., v. 27, n. 3, p. 177-187, 2006.
LIN, T. P.; HSU, C. C. Determination of residula moisture in lyophilized protein pharmaceuticals using a rapid and non-invasive method: near infrared spectroscopy. Jounal of Pharmaceutical Science Technology, v. 56, n. 4, p. 196-205, Jul-Aug 2002.
LIPSANEN, T. et al. Novel description of a design space for fluidised bed granulation. International Journal of Pharmaceutics, v. 345, n. 1-2, p. 101-107, Dec 2007.
LORBER, A. Error propagation and figures of merit for quantification by solving matrix equations. Analytical Chemistry, v. 58, n. 6, p. 1167-1172, May 1986.
LUCK, W. A. P. Structure of water and aqueous solution. Weinheim, Germany: Verlag Chemie-Physik, 1974.
MACGREGOR, J. F.; KOURTL, T. Statistical process control of multivariate process. Control Engineering Practice, v. 3, p. 403-414, 1995.
MAKINO , Y. et al. Estimation of oxygen uptake rate of tomato (Lycopersicon esculentum Mill.) fruits by artificial neural networks modelled using near-infrared spectral absorbance and fruit mass. Food Chemistry, v. 121, n. 2, p. 533-539, Jul 2010.
MALEGORI, C. et al. Comparing the analytical performances of micro-nir and ft-nir spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms. Talanta, v. 165, p. 112-116, 16 Dezembro 2016.
MALHOTRA, M.; SHRIVASTAVA, M. K. Facial edema with olanzapine. General Hospital Psychiatry, v. 35, p. 682.e7-682.e8, 2013.
MAQUELIN, K. et al. Prospective study of the performance of vibrational spectroscopies for rapid identificaion of bacterial and fungal pathogens recovered from blood cultures. Journal of Clinical Microbiology, v. 41, n. 1, p. 324-329, Jan 2003.
MARENGO, E. et al. Monitoring of pigmented surfaces in accelerated ageing process by ATR-FT-IR spectrocopy and multivariate control charts. Talanta, v. 66, p. 1158-1167, 2005.
MARIANI, N. C. T. et al. Predicting soluble solid content in intact jabocitaba (Myrciaria jaboticaba(Vell.) O. Verg) fruit using near-infrared spectroscopy and chemometrics. Food Chemistry, v. 459, p. 458-462, 2014.
MARQUES, A. S. et al. The use of near infrared spectroscopy and multivariate techniques to differentiate Escherichia coli and Salmonella enteritidis inoculated into pulp juice. Journal of Microbiological Methods, v. 93, p. 90-94, 2013.
MARQUES, A. S. et al. Feature selection strategies for identification of Staphylococcus aureus recovered in blood cultures using FT-IR spectroscopy successive projections algorithm for variable selection: a case study. Journal of Clinical Microbiology, v. 98, n. 0, p. 26-30, 2014.
MARTINDALE. Matindale: the complete drug reference. London: Parfitt K, 2007.
MOLTGEN, C. V. et al. A novel in-line NIR spectroscopy aplication for the monitoring of tablet film coating in an industrial scale process. Talanta, v. 92, p. 26-37, Apr 2012.
MOREIRA, K. R. A. Aplicação da Química Analítica de Processos na Produção de Formulações Farmacêuticas. Universidade Federal do Rio Grande do Sul. Porto Alegre. 2011.
NAES, T. et al. A user-friendly guide to multivariate calibration and classification. Chichester: NIR Publications, 2004.
NAVARI, R. M. Olanzapine for the prevention and treatment of chronic nausea and chemotherapy-induced nausea and vomiting. European Journal of Pharmacology, v. 722, n. 5, p. 180-186, Jan 2014.
NEVES, A. C. D. O. et al. Near infrared spectroscopy and multivariate calibration for simultaneous determination of glucose, triglycerides and high-density lipoprotein in animal plasma. Journal of Pharmaceutical and Biomedical Analysis, v. 66, n. 0, p. 252-257, 2012.
NEVES, A. C. O. et al. Dissolution testing of isoniazid, rifampicin, pyrazinamide and ethambutol tablets using near-infrared spectroscopu (NIRS) and multivariate calibration. Journal of Pharmaceutical and Biomedical Analysis, v. 57, p. 115-119, 2012.
NICOLAÏ, B. M. et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review. Postharvest Biology and Technology, v. 46, p. 99-118, 2007.
NIJHUIS, A.; JONG, S.; VANDEGINSTE, B. G. M. Multivariate statistical process control in chromatography. Chemometrics and Intelligent Laboratory Systems, v. 38, p. 51-62, 1997.
NIJHUIS, A.; JONG, S.; VANDEGINSTE, B. G. M. The application of multivariate quality control in gas chromatography. Chemometriz and Intelligent Laboratory Systems, v. 47, n. 1, p. 107-125, 1999.
NIROGI, R. V. S. et al. Liquid chromatography/negative ion electrospray tandem mass spectrometry method for the quantification of fluvastatin in human plasma: validation and its application to pharmacokinetic studies. Rapid Communications in Mass Spectrometry, v. 20, n. 8, p. 1225-1230, Mar 2006.
OBREGÓN, L.; QUIÑONES, L.; VELÁZQUEZ, C. Model predictive control of a fluidized bed dryer with an inline NIR as moisture sensor. Control Engineering Practice, v. 21, p. 509-517, 2013.
OLIVEIRA, I. K.; ROCHA, W. F. C.; POPPI, R. J. Application of near infrared spectroscopy and multivariate control charts for monitoring biodiesel blends. Analytica Chimica Acta, v. 642, p. 217 - 221, 2009.
OTUSKA, M. Comparative particle size determination of phenacetin bulk powder by using Kubelka-Munk theory and principal component regression analysis based on near-infrared spectroscopy. Powder Technology, v. 141, p. 244-250, 2004.
P.A.T.A, F. Guidance for Industry for PAT - A framework for innovative pharmaceutical. [S.l.]. 2004.
PASQUINI, C. Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, Campinas, v. 14, n. 2, Abril 2003.
PETERS, J. et al. In-line moisture monitoring in fluidized bed granulation using a novel multi-resonance microwave sensor. Talanta, v. 170, n. 1, p. 369-376, 2017.
PIETERS, S.; DEJAEGHER, B.; HEYDEN, Y. U. Emerging analytical separation techniques with high throughput potential for pharmaceutical analysis, Part I: stationary phase and instrumental developments in LC. Combinatorial Chemistry & Throughput Screening, v. 23, p. 510-529, 2010.
POLLA, G. I. et al. Thermal behavior and stability in Olanzapine. international Journal of Pharmaceutics, v. 301, n. 1-2, p. 33-40, Sep 2005.
RAMBO, M. K. D. et al. Multivariate analysis of coconut residues by near infrared spectroscopy. Talanta, v. 138, p. 263-272, 2015.
RANTANEN, J. et al. In-line moisture measurement during granulation with a four-wavelength near infrared sensor: an evaluation of particle size and binder effects. European Journal of Pharmaceutics and Biopharmaceutics, v. 50, n. 2, p. 271-276, Sept 2000.
RÊGO, J. F.; MOURA, J. I. M.; MOITA, G. C. Determinação de olanzapina em formulações farmacêuticas por espectrofotometria: desenvolvimento e validação. Química Nova, v. 33, n. 00, p. 1-7, 2010.
REICH, G. Near-infrared spectroscopy and imaging: basic principles and pharmaceutical applications. Advanced Drug Delivery Reviews, v. 57, p. 1109-1143, 2005.
REID, G. L. et al. Process analytical technology (PAT) in pharmaceutical development. American Pharmaceutical Review, Junho 2012. Disponivel em: <http://www.americanpharmaceuticalreview.com/Featured-Articles/115453-Process-Analytical-Technology-PAT-in-Pharmaceutical-Development/>. Acesso em: 16 Novembro 2017.
REUTZEL-EDENS, S. M. et al. Anhydrates and hydrates of olanzapine: crystallization, solid-state characterization, and structural relationships. Crystal Growth & Design, v. 3, n. 6, p. 897-907, Dec 2003.
RIBANI, M. et al. Validação em métodos cromatográficos e eletroforéticos. Química Nova, v. 27, n. 5, p. 771-780, 2004.
RIDWAN, A. S. et al. Combined Shewhart CUSUM charts using auxiliary variable. Computers & Industrial Engineering, v. 105, p. 329-337, 2017.
ROCHA, F. D. et al. Multivariate control charts on net analyte signal and near infrared spectroscopy for quality monitoring of nimesulide in pharmaceutical formulations. Journal of Molecular Structure, v. 982, n. 1-3, p. 73-78, Oct 2010.
ROCHA, W. F. C. Utilização de Sinal Analítio Líquido para Validação de Modelos de Calibração Multivariada através do Cálculo de Figuras de Mérito e de Cartas Controle. (Dissertação de Mestrado). Unicamp. Campinas. 2007.
ROCHA, W. F. C.; POPPI, R. J. Multivariate control charts based on net analyte signal (NAS) and raman spetroscopy for quality control of carbamazepine. Analytica Chimica Acta, v. 705, p. 35-40, 2011.
ROCHA, W. F. D. C.; POPPI, R. J. Multivariate control charts based on net analyte signal (NAS) for characterization of the polymorphic composition of piroxicam using near infrared spectroscopy. Microchemical Journal, v. 96, p. 21-26, 2010.
RUDD, J. A. et al. Anti-emetic activity of ghrelin in ferrets exposed to the cytotoxic anti-cancer agent cisplatin. Neuroscience Letters, v. 392, n. 1-2, p. 79-83, Jan 2006.
SAKUDO, A. et al. Non-invasive prediction of hematocrit leves by portable visible and near-infrared spectrophotometer. Clinica Chimica Acta, v. 408, n. 1-2, p. 123-127, Oct 2009.
SÁNCHEZ-PATERNINA, A. et al. Near infrared spectroscopic transmittance measurements of pharmaceutical powder mixtures. Journal of Pharmaceutical and Biomedical Analysis, v. 123, p. 120-127, May 2016.
SANTOS-FERNANDÉZ, E. Multivariate Statistical Quality Control using R. New York: Springer, 2012.
SARRAGUÇA, M. C.; SOARES, S. O.; LOPES, J. A. A near-infrared spectroscopy method to determine aminoglycosides in pharmaceutical formulations. Vibrational Spectroscopy, v. 56, n. 2, p. 184-192, Jul 2011.
SCHAEFER, T.; WORTS, O. Control of fluidized bed granulation III: effects of inlet air temperature and liquid flow rate on granule size and size distribution. Control of moisture content of granules in the drying phase. Archiv for Pharmaci og Chemi Scientific edition, v. 6, p. 1-13, 1978.
SEEMAN, P. Atypical antipsychotics: mechanism of action. The Canadian Journal of Psychiatry, v. 47, n. 1, p. 27-38, Feb 2002.
SENA, M. M. et al. Avaliação do uso de métodos quimiométricos em análise de solos. Química Nova, São Paulo, v. 23, n. 4, p. 547-556, 2000.
SHAO, Y. et al. Quantification of nitrogen status in rice by least squares support vector machines and reflectance spectroscopy. Food and Bioprocess Technology, v. 5, n. 1, p. 100-107, Jan 2012.
SKIBSED, E. T. S. et al. Net analyte signal based statistical quality control. Analytical Chemistry, v. 77, n. 22, p. 52-58, Nov 2005.
SKOOG, D. A.; LEARY, J. J. Fundamentos de Química Analítica. Traduão da 8. ed. São Paulo: Thomson, 2006.
STEPHENSON, C. M. E.; PILOWSKY, L. S. Psychopharmacology of olanzapine: a review. British Journal of Psychiatry, v. 174, p. 52-58, May 1999.
SUKOWSKI, L. NIR-based process analytical technology: In-line residual moisture determination for a complete batch inspection of lyophilized end-products, PhD. Thesis. University of Basel. Deutschland. 2003.
SUN, C. C. Mechanism of moisture induced variations in true density and compaction properties of microcrystalline cellulose. International Journal of Pharmaceutics, v. 346, n. 1-2, p. 93-101, Jan 2008.
THERMO ELECTRON CORPORATION. Chromatography. Filtration and Separation, v. 43, p. 32-34, 2006.
THOMPSON, M.; ELLISON, S. L. R.; WOOD, R. Harmonized guidelines for single-laboratory validation of methods of analysis (IUPAC Technical Report). Pure and Applied Chemistry, v. 74, n. 5, p. 835-855, 2002.
TRAFFORD, A. D. et al. A rapid quantitative assay of intact paracetamol tablets by reflectance near-infrared spectroscopy. Analyst, v. 124, p. 163-167, 1999.
TUERHONG, G.; KIM, S. B. Gower distance-based multivariate control charts for a mixture of continuous and categorical variables. Expert Systems with Applications, v. 41, p. 1701-1707, 2014.
TUMPA, A. et al. Quality by Design in the development of hydrophilic interaction liquid chromatography method with gradient elution for the analysis of olanzapine. Journal of Pharmaceutical and Biomedical Analysis, v. 134, p. 18-26, 2017.
U.S. FOOD AND DRUG ADMINISTRATION. Guidance for Industry: PAT - A framework for innovative pharmaceutical development, manufacturing and quality assurance. [S.l.]. 2004.
USP. The United States Pharmacopoeia. 33. ed. Rockville: The United States Pharmacopoeia Convention, v. 1, 2011.
VERDIER, G. Application of copulas to multivariate control charts. Journal of Statistical Planning and Inference , v. 143, p. 2151-2159, 2013.
VIETA, E.; GOIKOLEA, J. M. Atypical antipsychotics: newer options for mania and maintenance therapy. Bipolar Disorders, v. 7, p. 21-33, 2005.
WANG, H. et al. Matrix-assisted laser-desorption/ionization mass spectrometric imaging of olanzapine in a single hair using esculetin as a matrix. Journal of Pharmaceutical and Biomedical Analysis, v. 141, p. 123-131, 2017.
WANG, Z.; ONG, K. C. G. Autoregressive coefficients based Hotelling's T2 control chart for structural health monitoring. Computers & Structures, v. 86, p. 1918-1935, 2008.
WARZYCKA-GORCZYCA, I. et al. Polymorphic form II of 2-methyl-4-(4-methyl-1-piperazinyl)-10H-thieno-2,3-b 1,5 benzodiazepine. Acta Crystallographica Section E-Structure Reports Online, v. 60, p. 66-68, Jan 2004.
WATANO, S.; TERASHITA, K.; MIYANAMI, K. Development and application of infrared moisture sensor to complex granulation. Engineering and Natural Sciences, Osaka, v. 39, p. 187-197, 1991.
WATERMAN, K.; ADAMI, R. C. Accelerated aging: prediction of chemical stability of pharmaceuticals. International Journal of Pharmaceutics, v. 293, n. 1-2, p. 101-125, Apr 2005.
WISE, B. W. et al. Chemometris tutorial for PLS_Toolbox and Solo. [S.l.]: Eigenvector Research Incorporated, 2006.
XIANG, F.; RAN-FENG, W.; ZHI-YONG, D. Application of a Shewhart control chart to monitor clean ash during coal preparation. International Journal of Mineral Processing, v. 158, p. 45-54, 2017.
XIE, Y. L.; KALIVAS, J. H. Evaluation of principal component selection methods to form a global prediction model by principal component regression. Analytica Chimica Acta, v. 348, p. 19-27, 1997.
XU, L. et al. Rapid and nondestrutive detection of multiple adulterants in kudzu starch by near infrared (NIR) spectroscopy and chemometrics. LWT - Food Science and Technology, v. 61, p. 590-595, 2015.
YAKABI, K. et al. Reduced ghrelin secretion in the hypothalamus of rats due to cisplatin-induced anorexia. Endocrinology, v. 151, n. 8, p. 3773-3782, Aug 2010.
YAO, S. et al. The development of PAT (Process Analytical Technology) for drug production and the requirments for domestic pharmaceutical engineering education. Scientific Research, Chengdu, v. 3, p. 76-79, 2012.
ZHENG, Y. et al. Determination of moisture content of lyophilized allergen vaccines by NIR spectroscopy. Journal of Pharmaceutical and Biomedical Analysis, v. 46, p. 592-596, 2007.
ZHOU, X.; HINES, P.; BORER, M. W. Moisture determination in hygroscopic drug substances by near infrared spectroscopy. Journal of Pharmaceutical and Biomedical Analysis, v. 17, n. 2, p. 219-225, 1998.
ZHU, B.; CHEN, Y. Y. Development and application of liquid chromatography in life sciences. Journal of Chromatography & Separation Techniques, v. 8, n. 2, 2017.
ZOU, C.; TSUNG, F.; WANG, Z. Monitoring general linear profiles using multivariate exponentially weighted moving average schemes. Technometrics, v. 49, p. 395-408, 2007.
Anexos
Anexo I
Artigo publicado
Anexo II
Artigo submetido