ДИЗАЙН ЕКСПЕРИМЕНТУ ПРИ ПРОВЕДЕННІ ДОСЛІДЖЕНЬ ЗІ СТВОРЕННЯ ТАБЛЕТОВАНИХ ЛІКАРСЬКИХ ЗАСОБІВ

Автор(и)

  • T. A. Hroshovyi Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-6427-2158
  • M. B. Demchuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-9105-2302
  • B. V. Pavliuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0003-1276-0114
  • N. M. Beley Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-3682-2829
  • L. V. Fizer Національний університет «Львівська політехніка»
  • N. V. Malanchuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-0175-7502

DOI:

https://doi.org/10.11603/2312-0967.2021.1.11938

Ключові слова:

дизайн експерименту, дизайн якості, таблетовані лікарські засоби, штучні нейронні мережі, модифіковане вивільнення

Анотація

Повідомлення 3. Використання штучних нейронних мереж у дизайні експерименту із розробки складу і технології таблетованих лікарських засобів із модифікованим вивільненням.

Мета роботи. Аналіз і систематизація даних літератури щодо використання методу штучних нейронних мереж при фармако-технологічних дослідженнях таблетованих лікарських засобів із модифікованим вивільненням.

Матеріали і методи. В роботі використано методи інформаційного пошуку, аналізу даних літератури щодо використання штучних нейронних мереж для дизайну експерименту в дослідженнях із розробки складу і технології твердих лікарських форм із модифікованим вивільненням.

Результати й обговорення. Впровадження дизайну якості в процес фармацевтичної розробки стимулював науковців активно використовувати методи статистичного аналізу в дизайні експерименту. Розвиток методів машинного навчання, зокрема штучних нейронних мереж, дав можливість активно їх застосовувати при розробці складу і технології твердих лікарських форм із модифікованим вивільненням, у фармакокінетичному і фармакодинамічному моделюванні. Наведено приклади використання статистичних програм на основі штучних нейронних мереж для визначення взаємозв’язку між незалежними змінними та критичними показниками якості отриманих лікарських засобів.

Висновки. Програми штучних нейронних мереж є відмінними інструментами для розробки складу і технології, а також дослідження ЛЗ, які не тільки дають точні результати, але й значно скорочують необхідний для цього час і матеріальні ресурси. Використання статистичних програм на основі штучних нейронних мереж спрощує процес створення твердих лікарських форм із модифікованим вивільненням, оптимізує дослідження їхньої стабільності і вивільнення діючих речовин.

Біографії авторів

T. A. Hroshovyi, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

д. фармац. наук, професор, завідувач кафедри управління та економіки фармації з технологією ліків

M. B. Demchuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

канд. фармац. наук, доцент кафедри управління та економіки фармації з технологією ліків

B. V. Pavliuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

доктор філософії з фармації, асистент кафедри управління та економіки фармації з технологією ліків

N. M. Beley, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

канд. фармац. наук, доцент кафедри управління та економіки фармації з технологією ліків

L. V. Fizer, Національний університет «Львівська політехніка»

магістрант кафедри технології біологічно активних сполук, фармації та біотехнології

N. V. Malanchuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

провізор-інтерн

Посилання

Ankith M, Surya Teja SP, Damodharan N. Artificial neural networks: Functioning and applications in pharmaceutical industry. Int J App Pharm. 2015;10(5): 28-33. DOI: 10.22159/ijap.2018v10i5.28300

Ibrić S, Djuriš J, Parojčić J, Djurić Z. Artificial neural networks in evaluation and optimization of modified release solid dosage forms. Pharmaceutics. 2012;4: 531-50. DOI: 10.3390/pharmaceutics4040531

Nitin SP, Sahilhusen IJ, Alpesh DP, Mukesh RP. A Review literature and optimization of controlled drug delivery system using artificial neural network. JPSBR. 2015;5(3): 306-14.

Aksu B, Yegen G, Purisa S, Cevher E, Ozsoy Y. Optimisation of ondansetron orally disintegrating tablets using artificialneural networks. Trop J Pharm Res. 2014;13(9): 1374-83. DOI: 10.4314/tjpr.v13i9.1

Sokolović N, Tucak A, Sirbubalo M, Vranic E. Predicting the outcome of granulation and tableting processes using different artificial intelligence methods. CMBEBIH. 2019: 499-504. DOI: 10.1007/978-3-030-17971-7_74

Chansanroj K, Petrović J, Ibrić S, Betz G. Drug release control and system understanding of sucrose esters matrix tablets by artificial neural networks. European journal of pharmaceutical sciences. Eur J Pharm Sci. 2011;44: 321-31. DOI: 10.1016/j.ejps.2011.08.012.

Ravi L, Mehul P, Patel DR, Bhatt T V. Modern optimization techniques in field of pharmacy. RJPBCS. 2010;1(2): 148-57.

Aksu B, de Matas M, Cevher E, Özsoy Y, Güneri T, York P. Quality by design approach for tablet formulations containing spray coated ramipril by using artificial intelligence techniques. International Journal of Drug Delivery. 2012;4: 59-69.

Aksu B, Paradkar A, de Matas M, Ozer O, Güneri T, York P. Quality by design approach: Application of artificial intelligence techniques of tablets manufactured by direct compression. AAPS PharmSciTech. 2012;13(4): 1138-46. DOI:10.1208/s12249-012-9836-x.

Patel A, Mehta T, Patel M, Patel K, Patel N. Design porosity osmotic tablet for delivering low and pH-dependent soluble drug using an artificial neural network. Curr Drug Deliv. 2012;9(5): 459-67. DOI: 10.2174/156720112802650662.

Petrović J, Ibrić S, Betz G, Đurić Z. Optimization of matrix tablets controlled drug release using Elman dynamic neural networks and decision trees. Int J Pharm. 2012;428(1-2): 57-67. DOI: 10.1016/j.ijpharm.2012.02.031.

Mendyk A, Jachowicz R, Dorozyński P. Artificial neural networks in the modeling of drugs release profiles from hydrodynamically balanced systems. Acta Pol Pharm. 2006;63(1): 75-80.

Plumb APh, Rowe RC, York P, Doherty Ch. The effect of experimental design on the modeling of a tablet coating formulation using artificial neural networks. Eur J Pharm Sci. 2002;16(4-5): 281-8. DOI: 10.1016/S0928-0987(02)00112-4.

Kolisnyk TYe, Ruban OA, Fil NYu, Kutsenko SA. Application of an Artificial Neural Network for design of sustained-release matrix tablets containing vaccinium myrtillus leaf powder extract. AJP. 2018;12(2): 136-45. DOI: 10.22377/ajp.v12i02.2326.

Martsenyuk V, Hroshovyi T, Trygubchak O, Kłos-Witkowska A. On machine learning approach for the design of pharmaceutical technology of tablets: Acetyl salicylic acid with atorvastatin. Lecture Notes in Computer Science. 2019;11509 LNAI:216-27. DOI: 10.1007/978-3-030-20915-5_20.

Al-Zoubi N, Alkhatib HS, Alobaidi G, Abdel-Rahim S, Obeidat W, Malamataris S. Optimization of pH-independent chronotherapeutic release of verapamil HCl from three-layer matrix tablets. Int J Pharm. 2015;494(1) :296-303. DOI: 10.1016/j.ijpharm.2015.08.021.

Ali AA, Ali AM. Optimization of propranolol HCl release kinetics from press coated sustained release tablets. Pharm Dev Technol. 2013;18(5): 1238-46. DOI: 10.3109/10837450.2012.685660.

Patel R, Shah D. The application of "artificial neural network" in dosage form development of bilayer floating tablets of baclofen. Int J Sci Tech. 2011;6(1): 69-86.

Behzadi ShS, Prakasvudhisarn Ch, Klocker J, Wolschann P, Viernstein H. Comparison between two types of Artificial Neural Networks used for validation of pharmaceutical processes. Powder Technology. 2009;195(2): 150-7. DOI: 10.1016/j.powtec.2009.05.025.

Guler GK, Eroglu H, Oner L. Development and formulation of floating tablet formulation containing rosiglitazone maleate using Artificial Neural Network. J Drug Deliv Sci Tec. 2017;39: 385-97. DOI: 10.1016/j.jddst.2017.04.029.

Chaibva F, Burton M, Walker RB. Optimization of Salbutamol Sulfate Dissolution from Sustained Release Matrix Formulations Using an Artificial Neural Network. Pharmaceutics. 2010;2(2): 182-98. DOI:10.3390/pharmaceutics2020182.

Takayama K, Kawai S, Obata Y, Todo H, Sugibayashi K. Prediction of dissolution data integrated in tablet database using four-layered artificial neural networks. Chem Pharm Bull. 2017;65(10): 967-972. DOI: 10.1248/cpb.c17-00539.

Martarelli D, Casettari L, Shalaby KS, Soliman ME, Cespi M, Bonacucina G et al. Optimization of melatonin dissolution from extended release matrices using artificial neural networking. Curr Drug Deliv. 2016;13(4): 565-73. DOI: 10.2174/1567201812666150608101528.

Chaibva F, Burton M, Walker RB. Optimization of salbutamol sulfate dissolution from sustained release matrix formulations using an artificial neural network. Pharmaceutics. 2010;2(2): 182-98. DOI:10.3390/pharmaceutics2020182.

Hussain A, Syed MA, Abbas N, Hanif S, Arshad MS, Bukhari NI et al. Development of an ANN optimized mucoadhesive buccal tablet containing flurbiprofen and lidocaine for dental pain. Acta Pharm. 2016;66(2): 245-56. DOI: 10.1515/acph-2016-0020.

Khatri N, Kaushal P, Bilandi A, Kumar MK. Modeling and optimization of drug release from levofloxacin hemihydrate floating matrix tablet using artificial neural network. WJPPS. 2017;6(5): 659-667. DOI: 10.20959/wjpps20175-8973

Barmpalexis P, Kanaze FI, Kachrimanis K, Georgarakis E. Artificial neural networks in the optimization of a nimodipine controlled release tablet formulation. Eur J Pharm Biopharm. 2010;74(2):316-23. DOI: 10.1016/j.ejpb.2009.09.011.

Aktas E, Eroglu H, Kockan U, Oner L. Systematic development of pH-independent controlled release tablets of carvedilol using central composite design and artificial neural networks. Drug Dev Ind Pharm. 2013;39(8): 1207-16. DOI: 10.3109/03639045.2012.705291.

Krajišnik D, Stepanović-Petrović R, Tomić M, Micov A, Ibrić S, Milić J. Application of artificial neural networks in prediction of diclofenac sodium release from drug-modified zeolites physical mixtures and antiedematous activity assessment. J Pharm Sci. 2014;103(4):1085-94. DOI: 10.1002/jps.23869.

Daheb K, Lipman ML, Hildgen P, Roy JJ. Artificial neural network modeling for drug dialyzability prediction. J Pharm Pharm Sci. 2013;16(5): 665-75. DOI: 10.18433/j35c8b

Huynh T, Nguyen T "A new imprinted tablet recognition algorithm using polar transform and neural networks,"2015 International Conference on Advanced Technologies for Communications (ATC), Ho Chi Minh City, 2015. DOI: 10.1109/ATC.2015.7388356

Sovány T, Kása P, Pintye-Hódi K. Modeling of subdivision of scored tablets with the application of artificial neural networks. J Pharm Sci. 2010;99(2): 905-15. DOI: 10.1002/jps.21853

Ashwinkumar DP, Anjali A, Rutesh HD. Development of polyvinylpyrrolidone‐based spray‐dried solid dispersions using response surface model and ensemble artificial neural network. Journal of Pharmaceutical Sciences. 2013;102(6): 1847-1858. DOI: 10.1002/jps.23526.

Demir O, Aksu B, Ozsoy Y, Araman A. Optimization of dexketoprofen trometamol tablet formulations utilizing different modeling techniques and the quality by design. Lat AM J Pharm. 2016;35(4): 813-25.

Ibrić S, Jovanović M, Djurić Z, Parojcić J, Petrović SD, Solomun L et al. Artificial neural networks in the modeling and optimization of aspirin extended release tablets with Eudragit L 100 as matrix substance. AAPS PharmSciTech. 2003;4(1): E9. DOI: 10.1208/pt040109.

Ivić B, Ibrić S, Cvetković N, Petrović A, Trajković S, Djurić Z. Application of design of experiments and multilayer perceptrons neural network in the optimization of diclofenac sodium extended release tablets with Carbopol 71G. Chem Pharm Bull. 2010;58(7): 947-9. DOI: 10.1248/cpb.58.947.

Mandal U, Gowda V, Ghosh A, Bose A, Bhaumik U, Chatterjee B et al. Optimization of metformin HCl 500 mg sustained release matrix tablets using Artificial Neural Network (ANN) based on Multilayer Perceptrons (MLP) model. Chem Pharm Bull. 2008;56(2): 150-5. DOI: 10.1248/cpb.56.150.

Barmpalexis P, Karagianni A, Karasavvaides G, Kachrimanis K. Comparison of multi-linear regression, particle swarm optimization artificial neural networks and genetic programming in the development of mini-tablets. Int J Pharm. 2018;551(1-2): 166-76. DOI: 10.1016/j.ijpharm.2018.09.026.

Colbourn EA, Rowe RC. Novel approaches to neural and evolutionary computing in pharmaceutical formulation: challenges and new possibilities. Future Med Chem. 2009;1(4): 713-26. DOI: 10.4155/fmc.09.57.

Patil JS, Marapur SC, Kamalapur MV, Shiralshetti SS. Pharmaceutical product development and preformulation studies: early approaches, present scenario and future prospects. RJPBCS. 2010;1(3): 782-9.

##submission.downloads##

Опубліковано

2021-05-08

Як цитувати

Hroshovyi, T. A. ., Demchuk, M. B., Pavliuk, B. V., Beley, N. M., Fizer, L. V., & Malanchuk, N. V. . (2021). ДИЗАЙН ЕКСПЕРИМЕНТУ ПРИ ПРОВЕДЕННІ ДОСЛІДЖЕНЬ ЗІ СТВОРЕННЯ ТАБЛЕТОВАНИХ ЛІКАРСЬКИХ ЗАСОБІВ. Фармацевтичний часопис, (1), 76–85. https://doi.org/10.11603/2312-0967.2021.1.11938

Номер

Розділ

ОГЛЯДИ