Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ISSN: 0363-9045 (Print) 1.520-5.762 página de inicio (en línea) Diario: http://www.tandfonline.com/loi/iddi20
Para citar este artículo: Stavros N. Politis, Paolo Colombo, Colombo Gaia y Dimitrios M. Rekkas (2017) Diseño de
experimentos (DOE) en el desarrollo farmacéutico, Drug Development and Industrial Pharmacy, 43: 6, 889-901, DOI: 10.1080
/ 03639045.2017.1291672
ARTÍCULO DE REVISIÓN
Stavros N. Politis una , Paolo Colombo segundo , do , Gaia Colombo re y Dimitrios M. Rekkas una
una Departamento de Tecnología Farmacéutica de la Facultad de Farmacia de la Nacional y Universidad de Atenas, Atenas, Grecia; segundo Departamento de Farmacia, Universidad de Parma, Parma,
Italia; do PlumeStars srl, Parma, Italia; re Departamento de Ciencias de la Vida y Biotecnología de la Universidad de Ferrara, Ferrara, Italia
investigación en lugar de al final de la experimentación. Cuando el pensamiento estadístico se aplica desde la fase de diseño, que permite revisada de enero de 2017 29 aceptada de
enero de 2017
construir la calidad en el producto, mediante la adopción de Deming ' s enfoque de conocimiento profundo, que comprende el pensamiento
sistémico, la comprensión variación, teoría del conocimiento, y la psicología.
PALABRAS CLAVE
La industria farmacéutica era tarde en la adopción de estos paradigmas, en comparación con otros sectores. Es muy centrado en medicamentos
Diseño experimental; pensamiento
de mayor éxito, mientras que el desarrollo de formulación se llevó a cabo principalmente por un factor a la hora (OFAT) estudios, en lugar de estadístico; desa- rrollo farmacéutica;
aplicar la calidad por diseño (QbD) y modernos métodos de fabricación basados en ingeniería. conocimiento del proceso; espacio
de diseño; diseños mezcla; diseños
Entre los diversos métodos de modelización matemática, Diseño de Experimentos (DOE) se utiliza ampliamente para la implementación de QbD factoriales
tanto en la investigación e industriales. En QbD, producto y proceso sub Permanente es el factor clave para asegurar la calidad en el producto
final. El conocimiento se logra mediante el establecimiento de modelos que correlacionan las entradas con las salidas del proceso. Las
relaciones matemáticas de los parámetros críticos del proceso (CPPS) y el material Atributos (CMAS) con los atributos críticos de calidad (CQA)
definen el espacio de diseño. En consecuencia, la comprensión proceso es bien seguro y racional conduce a una reunión final del producto el
perfil de calidad de destino del producto (QTPP).
Esta revisión ilustra los principios de la teoría de la calidad a través de la obra de los principales contribuyentes, la evolu- ción del enfoque QbD y el
conjunto de herramientas estadísticas para su implementación. Como tal, DoE se presenta en detalle, ya que representa la primera opción para el
desarrollo farmacéutico racional.
Development and Industrial FARMACIA, 2017 VOL. 43, NO. 6, 889 - 901
Introducción calidad en bienes y servicios, siguiendo un plan de trabajo que consta de cinco pasos:
identificación del cliente, determinar sus necesidades, la traducción de las necesidades en las
El concepto de diseño experimental no es nuevo. Sus orígenes se remontan a los años
características del producto, el desarrollo del proceso, y su transferencia a las operaciones.
1920 y la obra del famoso estadista Sir Ronald Fisher, cuya contribución a las estadísticas
WE Deming, casi medio siglo antes de Juran, propuso su sistema de conocimiento profundo,
es ampliamente reconocido, caracterizándolo como “ un genio que casi sin ayuda creó las
que comprende cuatro puntos principales, con base en el pensamiento sistémico, la variación
bases de la ciencia estadística moderna ” 1 . Sus libros
de la comprensión, la teoría del conocimiento, y la psicología 7 .
“ la calidad no puede ser probada en productos, es decir, la calidad debe ser construido en por diseño ” 5 . Se
Este trabajo ha sido ampliado y difundido por los gurús de calidad como Walter A. trata de un reconocimiento directo, sin embargo, a finales de la importancia de la teoría de la calidad en
Shewhart, William E. Deming y Joseph el desarrollo farmacéutico tal como se presenta brevemente.
M. Juran, quien promovió la necesidad de una cultura centrada en el proceso de
construcción de la calidad en los productos. Juran acuñó el término Diseño de Experimentos (DOE) es el componente principal de la caja de herramientas
“ Calidad por Diseño ” 6 hacer hincapié en la importancia de la planificación estadística para desplegar Calidad por diseño tanto en la investigación
CONTACTO Stavros N. Politis spolitis@pharm.uoa.gr Facultad de Farmacia, Departamento de Tecnología Farmacéutica, Universidad Nacional y de Kapodistrian
Atenas, Atenas 15784, Grecia
2017 Informa UK Limited, el comercio como Taylor & Francis Group Drug
890 SN POLITIS ET AL.
e industriales. Mientras que el primero hace se aplicaron por Fisher en el campo de la Varios factores son responsables del porcentaje sustancial del efecto. Esto también se
agricultura, su uso entró en las industrias de procesos químicos durante la década de conoce como la regla de 20:80, que indica que el 20% de las causas (factores) son
1950, ya que éstos fueron afectados por el papel clave de Box y Wilson en el logro responsables del 80% de los resultados (respuestas).
experimental de las condiciones óptimas 9 .
Los factores más influyentes se definen en ICH Q8 como parámetros críticos del
Cabe señalar que existen numerosas técnicas de modelado matemático, para abordar proceso (CPPS), es decir, parámetros de proceso cuya variabilidad tiene un impacto en un
el desarrollo farmacéutico y más específicamente dentro del concepto de tecnología atributo crítico calidad del producto. Por lo tanto, deben ser monitorizados y controlados
analítica de procesos (PAT) y QbD. Como un ejemplo, el análisis de datos multivariante para asegurar que el proceso produce la calidad deseada. Esta última es la suma del
(MVDA) los métodos que se centran en datos históricos, pueden comprender un punto de producto ' características s, que deben cumplir consistentemente con rangos predefinidos,
partida para DoE. Por lo tanto, MVDA en conjunción con DoE se puede utilizar para el ampliamente conocidos como especificaciones.
análisis de los factores no diseñados y diseñados 10 . Sin embargo, teniendo en cuenta la
cultura proactiva de QbD, DoE es considerado como el principal enfoque sistemático que Dentro de este contexto, ICH Q8 define calidad crítica
requiere la puesta en práctica del pensamiento estadístico en el punto de partida del Atributos (CQAs) como propiedades microbiológicas o características que deberían estar
desarrollo farmacéutico, que es el punto central de Fisher ' s legado. dentro de un límite apropiado físicos, químicos, biológicos, o, es decir, gama o distribución
para asegurar la calidad deseada del producto.
La primera referencia de aplicación DoE al diseño de forma de dosificación DoE es un enfoque en el que los factores de entrada controladas del proceso se
farmacéutica se considera el documento de Marlow y Shangraw 11 , variaron sistemáticamente y con un propósito con el fin de determinar sus efectos sobre las
seguido de numerosas publicaciones, que superó 500 por 2005 como se resume por Singh respuestas 59 . El alcance general es la conexión de la CPP ( X 1, X 2 ,. X yo) con los CQAs ( y yo) a
et al. 12 , 13 . Una revisión más exhaustiva sobre Scopus 14 reveladas más de 5200 resultados través de funciones matemáticas y ¼ f (x), como se describe en Figura 1 . Estas relaciones
para las palabras clave permiten al:
“ Diseño de experimentos ” y “ farmacéutico ” desde 1978. Es de destacar que se observa
una tendencia cada vez mayor, con sólo dos documentos en 1978, 10 en 1990, 29 en
2000, 24 en 2005, 281 en 2010, y más de 800 en el año 2016.
determinación de los factores más influyentes (CPPS) entre los muchos útiles;
Sin ánimo de ser exhaustivos, tabla 1 muestra los últimos ejemplos de la literatura de
identificación de la configuración de factores óptimos que conducen a rendimiento del
diferentes tipos de DoE aplicados en el desarrollo de productos y procesos farmacéuticos. producto mejorada y asegurar valores CQA se extiende dentro de las especificaciones
con variabilidad mínima; elucidación de las interacciones entre los factores, una
Desde la introducción de la guía Q8 ICH, lo que crea un ambiente favorable para el ventaja importante sobre la forma convencional de experimentación, en donde cada
uso de DoE, un aumento dramático de la obra científica pertinente y la aplicación industrial factor se estudió independientemente de los otros (OneFactor-A-a-Time o OFAT
se ha dado cuenta, apoyado además por la introducción de software de uso fácil facilitar la experimentación).
construcción y análisis de los diseños . Esto ha confirmado Bhote ' s vista 15 que es DoE “ la
clave para el reino mágico de la calidad ”.
Tabla 1. Ejemplos de aplicación DoE en los procesos de desarrollo de productos farmacéuticos y medicinales. Zona
Los artículos de revisión Las variables de entrada, parámetros de proceso y n/A Xu et al. (2014) dieciséis
atributos de calidad en procesos farmacéuticos
administración oral de fármacos desarrollo de la formulación de la tableta diseño multivariado (factorial fraccional Gabrielsson et al. (2003) 19
diseño en 14 variables, 2 14 - 9 diseño, 35
experimentos)
diseño multivariado þ optimización simplex Gabrielsson et al. (2004) 20
ción por Modde Optimizer
diseños factorial fraccional (dos estudios); Claycamp et al. (2016) 21
definición diseño espacio utilizando una simulación
simplificada bayesiano Monte Carlo
diseño de la mezcla Chavez et al. (2015) 22
administración oral de fármacos - inmediato desarrollo comprimidos dispersables Varios experimentos factoriales en 2 - 3 fac- Charoo et al. (2012) 23
liberación (IR) tors, 2 - 3 niveles
plataforma de tableta de liberación inmediata Resolución V 2 5 - 1 factorial fraccional Kushner (2014) 24
diseño
pastillas de disolución rápida 2 5 - 1 diseño factorial fraccional, cinco fac- Karatzas et al. (2016) 25
tors (cuatro numéricos y uno iCal categor-), dos
niveles
administración oral de fármacos - modificado forma de dosificación de retención gástrica 3-nivel-3 factores, Box - diseño Behnken Malladi y Jukanti (2016) 26
liberación (MR)
la administración de fármacos por inhalación Polvo para inhalación (formulación y diseño factorial fraccional media con cinco Belotti et al. (2014) 27
proceso de desarrollo) factores en dos niveles con resolución V
Cara diseño central compuesto centrada Belotti et al. (2015) 28
con tres factores en tres niveles
La evaluación de riesgos por Lean Software QbD Pallagi et al. (2016) 29
administración transdérmica de fármacos el desarrollo de parches 2 4 diseño factorial completo Cilurzo et al. (2014) 30
suministro iontoforético diseño compuesto central centrada en las caras Patel et al. (2016) 31
(Número total de combinaciones experimentales 2 k þ 2 k
þ norte 0, con k ¼ número de variables independientes y
norte 0 ¼
número de repeticiones de los experimentos
en el punto central)
administración de fármacos cutánea Nanoemulsión para la leishmaniasis (formulación 2 2 diseño factorial completo de Mattos et al. (2015) 32
(Actual) el desarrollo ción)
gel a base de Microsponge para quirúrgica 3 factores, Caja de 3 niveles - diseño Behnken Kumar y Ghosh (2015) 33
heridas (desarrollo)
de suministro de fármaco ocular Pegilado PLGA nanoesferas (optimización diseño factorial central compuesto Sánchez-López et al. (2016) 34
ción y caracterización)
nanopartículas cristalinas líquidas (formulación diseño factorial fraccional 2 5 - 1; Simplex Achouri et al. (2015) 35 , 36
optimización ción) diseño experimental celosía
Las inyecciones Formulación para la nutrición parenteral D-óptimo diseño experimental (mezcla de Rahali et al. (2010) 37
(desarrollo) diseño)
biofarmacéuticos Hacia implementación QbD en el bio- na (Artículo de revisión) Elliott et al. (2013) 38
industria farmacéutica
QBD de productos biofarmacéuticos na (Artículo de revisión) Rathore et al. (2009) 39
QbD para la evaluación de riesgos y manage- na (Artículo de revisión) Kelley et al. (2016) 40
ción (estudio de caso sobre el anticuerpo
monoclonal)
Anticuerpo Formulación Robustez estudio multivariante (factorial completo) INCLUYENDO Wurth et al. (2016) 41
ing tres factores a dos niveles
formulación de proteína na (Contenido general) Morales et al. (2013) 42
Nanopharmaceutics Desarrollo e industrialización de na (Artículo de revisión) Troiano et al. (2016) 43
plataformas de administración de fármacos de nanopartículas
orientada poliméricos
Sólido lípidos Nanopartículas para la inhalación De dos niveles de diseño factorial completo (sin Maretti et al. (2016) 44
(proceso de desarrollo) puntos centrales y tres repeticiones para cada
nivel)
procesos farmacéuticos Polvo seco de llenado de cápsulas inhalador el modelo D-óptimo con las estadísticas de diseño G- Faulhammer et al. (2014) 45
la eficiencia con tres repeticiones
micronización excipiente factorial completo (tres variables en dos lev- Shariare et al. (2011) 46
els, ocho carreras)
La liofilización de inyectables cálculo del espacio de diseño (según una Pisano et al. (2013) 47
citado modelo)
Formación de película por pulverización Rechtschaffner Res V de dos niveles fraccional Korhonen et al. (2016) 48
diseño para cuatro variables con punto central
( continuado)
892 SN POLITIS ET AL.
Nano-precipitación y nanospray secado modelo de diseño basado en-variabilidad integrado Draheim et al. (2015) 49
diseño óptimo ance para superficie de
respuesta
métodos analíticos Método (por ejemplo, cromatografía) Na (Los artículos de revisión) Candioti (2014) 50 , Hibbert
desarrollo (2012) 51 , y Bezerra et al. (2008) 52
Métodos de prueba prueba de adhesión (por parches) Aleatorios diseño de superficie de respuesta, Michaelis y Leopold (2015) 53
cinco factores, 38 carreras
In vitro deposición de aerosol en el molde humana diseño factorial media Shah et al. (2014) 54
(Para productos inhalados)
Los medicamentos genéricos equivalencia producto genérico diseño factorial fraccional con triplicado Krishnaiah et al. (2014) 55
puntos centrales
Educación y entrenamiento Educación y entrenamiento na (Artículo de revisión; Comentario) De Matas et al. (2016) 56 y
Aksu et al. (2012) 57
o de la mezcla. Las decisiones sobre la asignación al azar, bloqueo y repeticiones deben ser
también abordados.
4. Ejecución del diseño: la matriz de diseño generado debe ser ejecutada con precisión,
asegurando que se identifican parámetros no incluidos en el diseño y la mantienen
constantes.
5. Comprobar que los datos son consistentes con las hipótesis experimentales: como ya
se mencionó, hace son excepcionalmente eficaz en la identificación de valores
atípicos, que surgen de posibles ensayos mal ejecutadas.
Hacer que el producto o proceso más robusto, es decir relativamente 7. Uso e interpretación de los resultados: en este paso, la evaluación de los resultados
insensible contra externa y no controlable DoE puede apoyar la toma de decisiones científicamente válida en las siguientes
influencias. acciones, como ejecutar carreras de confirmación, diseños o más trámite con la
Asegurar la protección de los valores extremos a través de su identificación eficaz dentro de escala de las actividades de transferencia de tecnología y aumentar.
las matrices experimentales estructurados.
En contraste, OFAT aproxima objetivo en la identificación de regiones locales Es evidente que el éxito de estos siete pasos depende en gran medida de la creación
sub-óptimo basado en el cambio de un factor a la vez. Esto, técnica obsoleta tiempo es de un entorno adecuado que pueda soportar la ejecución perfecta del DoE. NIST 62 ha
incapaz de soportar el estudio simultáneo de varios cambios en los factores, o identificar resumido varios consejos para el experimentador de la siguiente manera:
relaciones causales entre ellos interacciones. Estas deficiencias hacen OFAT inapropiado
para aplicaciones QbD.
Comprobar el rendimiento de los dispositivos medidores / medición por primera vez. Mantenga el
experimento tan simple como sea posible y obtener las carreras de nuevo con la mayor rapidez posible.
Compruebe que todas las carreras previstas son factibles. Cuidado con los derivas del proceso y los
fases de DoE, consejos y objetivos
cambios durante la carrera. Permitir un tiempo (y copia de seguridad de materiales) para el evento
De acuerdo con Montgomery 59 y Handbook NIST 62 , la ejecución de un diseño experimental inesperado. Obtener aceptación por parte de todas las partes involucradas. Mantener la propiedad
críticamente bajo el enfoque de gestión de riesgos de calidad 63 . todo lo que sucede. Restablecer el equipo a su estado original después del
experimento.
Figura 2. categorías principales DoE: mezclas (izquierda), proceso o diseños factoriales (centro), y los diseños de procesos mezcla (derecha).
Una vez que se ha completado la detección, los factores significativos seleccionados se estudian
Raramente se utilizan, ya que requieren la construcción de diseños de mezcla en cada factor
además usando diseños más amplios encaminados a la optimización de procesos, que se refiere al
de ajuste, lo que resulta en un gran número de experimentos. La ecuación (3) describe las
establecimiento de los factores más influyentes en los niveles que mejoran todos los CQAs productos
respuestas como la función de las proporciones de componentes, los niveles de factores y su
al mismo tiempo. Tales diseños incluyen típicamente al menos tres niveles de los factores y pueden
interacción 67 :
soportar los efectos de orden de segundo grado o superior. Metodología de Superficie de Respuesta
(RSM) técnicas constituyen la principal herramienta para este tipo de aplicaciones. respuestas ¼ proporciones
re componente F th th los re
niveles de factor f Þ
(3)
þ proporciones
re componente F niveles de los factoresÞ
formulación y la optimización, aplicadas cuando se define la cantidad total de una Como ya se ha presentado, diseños de mezcla se utilizan para hacer frente a ejercicios de formulación
composición, por ejemplo para un comprimido con una masa fija. Su ámbito de aplicación es de 66 , 67 y siga dos limitaciones importantes, la igualdad y la no negatividad que se presentan en Las
para racionalizar el uso de cada componente y su proporción en la formulación sesenta y cinco - 67 . Aplicaciones
ecuaciones (4) y (5) , Respectivamente:
Típicas
Xq
en productos farmacéuticos tecnología
X yo ¼ X 1 þ X 2 þ? ? ? þ X q ¼ 1 (4)
incluir la determinación de proporciones diluyente en formulaciones sólidas, la selección yo ¼ 1
del disolvente apropiado - combinaciones codisolvente en formas líquidas, etc. Es obvio que
X yo 0 yo ¼ 1; 2; ::: q (5)
en la mezcla de diseños proporciones de componentes no son independientes entre sí. Por
lo tanto, si aumenta la proporción de un componente, la proporción de uno o más de los diseños Simplex son el caso más simple, que describe mezclas con proporciones que
componentes restantes debería disminuir. La ecuación (1) van de cero a la misma porcentaje máximo, típicamente 100% para los componentes bajo
estudio. Tales casos de dos, tres y cuatro componentes se presentan en figura 3 . En caso
de diferentes límites inferiores se aplican para uno o más componentes, el espacio de
expresa la relación entre las respuestas seleccionados como una función de componentes
diseño es todavía un simplex como se presenta en Figura 4 . Por último, cuando se
de la mezcla:
introduce un límite superior diferente para al menos uno de los constituyentes, el espacio
respuestas ¼ proporciones
re componente F Þ (1) de diseño no es más un simplex ( Figura 5 ) Y el estudio requiere el desarrollo de diseños
experimentos factoriales para el desarrollo del proceso. Se refieren a los parámetros que se experimentales asistido por ordenador, conocidos como óptima.
diseños de procesos de mezcla se utilizan cuando es necesario para investigar las distintos perfiles de liberación, cargados en una cápsula de gelatina dura, en las proporciones
interacciones entre las variables de formulación y de proceso. proporcionadas por un diseño simplex-celosía.
894 SN POLITIS ET AL.
Figura 4. diseño de la mezcla simple con diferentes niveles más bajos para una ( X 1), dos ( X 1 y X 2), o tres componentes (izquierda, central y derecha, respectivamente) modificados de Ref 67 .
Tabla 2. Aplicación de un diseño de mezcla de celosía simplex en el desarrollo de una formulación oral de
pellets.
X codificado ¼ X re
real X media Þ = X alto X bajas = 2 (6)
El espacio de diseño creado identificó claramente la contribución de cada formulación
factoriales completos incluyen todas las combinaciones posibles de los niveles del factor. El
de pelets en las características de disolución del producto final. ajuste del modelo era muy
número de experimentos requeridos es proporcionada por la siguiente ecuación:
bueno y adecuado para predecir el comportamiento del sistema. Esto se validó a través de
carreras de confirmación ejecutados en nuevas combinaciones, que no se realizaron en el
diseño inicial. La comparación de los valores reales de las carreras de confirmación frente Número de experimentos ¼ niveles factores (7)
a los predichos por el diseño simplex-red se muestra en la Tabla 4 . Por ejemplo, un factorial de dos niveles completo para tres factores requiere 2 3 ¼ 8
experimentos. Figura 7 representa los diseños factoriales de dos niveles simples de dos y tres
factores.
Drug Development and Industrial Pharmacy 895
Tabla 4. Comparación entre los valores de respuesta previstos y los resultados de los ensayos de confirmación diseños factoriales fraccionados representan una parte del diseño completo correspondiente,
para el ejemplo de diseño de la mezcla.
típicamente ½ o 1 = 4 ... del factorial completo. Se suelen utilizar cuando el número de factores
Componentes (%) MDT (min) excede 4 - 5, para los propósitos de detección. Como ya se ha discutido, su limitación principal está
carreras de valor real experimental relacionada con los factores de confusión o alias de los efectos principales e interacciones. El
confirmación F1 F2 F3 predicho valor termino
1 0,100 0,300 0,600 11.75 12.04 “ resolución ” se refiere a la capacidad de un diseño para estimar los efectos y las
2 0,150 0,100 0,750 14.39 14.12 interacciones sin confusión. Las filas más comunes de resolución son los siguientes 59 .
3 0,600 0,200 0,200 8.43 9.13
4 0,150 0,600 0,250 7.32 7.63
diseños de resolución III indican que los efectos principales no son alias a otros efectos
principales, pero pueden ser alias con dos interacciones de los factores, mientras que algunos de
estos últimos pueden tener un alias entre sí. Que pueden ser engañosos cuando importantes
interacciones de dos factores afectan a la respuesta.
diseños de resolución IV indican que los efectos principales no son alias a otros efectos
principales o interacciones de dos factores, pero podría ser un alias con tres interacciones de
los factores. Por otra parte, las interacciones de dos factores son alias entre sí. Constituyen
una opción apropiada para fines de selección, ya que los principales efectos serán libres de
cualquier interacciones de dos factores.
La Figura 7. Representación esquemática de dos niveles diseños factoriales completos para tres (A, B, y C, a la derecha)
los factores de dos (A y B, centro) y.
Resolución V (o superior) diseños tienen prácticamente el mismo rendimiento que factoriales
completos, antes de que se reducen efectivamente el número necesario de experimentos. Indican
que ningún efecto principal o interacción de dos factores es alias con otros efectos principales o
interacciones de dos factores. Este último podría tener un alias con las interacciones de tres
factores. Suponiendo que los tres factores (y superiores) interacciones no son significativas o que
puedan producirse, todos los efectos principales y las interacciones de dos factores pueden ser
estimados.
efecto principal del factor A efecto principal del factor B Interacción AB entre los factores A y B
UNA ¼ ( 56 þ 26) / 2 (50 þ 74) / 2 ¼ 41-62 ¼? 21 segundo ¼ ( 26 þ 74) / 2 (56 þ 50) / 2 ¼ 50 53 ¼? 3 AB ¼ ( 1/2) [(26 þ 50) / 2 (56 þ 74) / 2] ¼ ¼ ( 1/2) (38 sesenta y cinco) ¼? 13.5
896 SN POLITIS ET AL.
respuesta es diferente en los distintos niveles de factor de B. En este caso la interacción se experimentos que conducen a una aplicación RSM. Los diseños de optimización más
calcula como la media de la diferencia de la respuesta de factor A en el nivel bajo y altos comunes son los siguientes ( Figura 10 ):
diseño factorial completo estudio de dos factores A y B en dos niveles ( þ) y ( ). Los valores tanto en la mayoría de casos, los modelos cuadráticos son suficientes para describir los
de las respuestas a las cuatro combinaciones de los factores se presentan en Tabla 5 . La procesos en estudio.
Completo factoriales de dos niveles pueden apoyar modelos lineales, por lo que no son Este ejemplo es la aplicación de una experimentación secuencial para estudiar el efecto de
capaces de hacer frente a los fenómenos más complejo, que requiere modelos de orden tres factores (nivel de aglutinante, de nivel de disgregante, y fuerza de compactación) en dos
superior. se requiere la adición de puntos centrales en tales diseños para el control de CQAs (dureza de la tableta y el tiempo de desintegración).
curvatura, que, si está presente, lleva a la necesidad de técnicas de RSM que permiten la
estimación del factor más complejo - las relaciones de respuesta. Los niveles de los factores y los valores de respuesta para todos los experimentos del
ejemplo se presentan en la Tabla 7 . Cabe señalar que en esta tabla:
Este enfoque se conoce como la experimentación secuencial y un ejemplo se presenta
en Figura 9 . En la práctica, el punto de partida es un diseño de cribado (factoriales de dos
niveles fraccionales o completo), que está aumentada con puntos centrales y si es experimentos 1 - 8 representar el factorial completo de dos niveles para tres factores.
necesario con adicional experimentos 15 - 17 son repeticiones de la combinación punto central. Las repeticiones
son necesarias para estimar el experimental
Tabla 7. matriz de diseño para los diseños factoriales del Ejemplo 3.3.
factores respuestas
La Figura 11. Los tres CCD básicas de dos factores: circunscritos (izquierda), inscrita (medio), y centrada en las caras (derecha).
DRUG DEVELOPMENT AND INDUSTRIAL PHARMACY 897
La Figura 12. parcelas normales y medio (izquierda) y diagramas de Pareto (derecha) para el tiempo de desintegración (arriba) y la dureza (parte inferior).
Tabla 8. tabla de ANOVA para el tiempo de desintegración (ejemplo diseño factorial). Fuente
error, lo que ayudará a discriminar los efectos del ruido. Como ya se ha mencionado, El análisis de los diseños se lleva a cabo usando software de diseño de expertos
los puntos centrales revelan potencial de curvatura. experimentos 9 - 14 se refieren al (Statease, versión 9.0.1, Minneapolis, MN). A partir del análisis de la factorial de dos niveles
diseño aumentada apoyar la fase de optimización con RSM y específicamente una completa con puntos centrales, herramientas gráficas, como la mitad de las parcelas normales
cara centrada CCD. y de Pareto son útiles en la identificación de los efectos más influyentes ( Figura 12 ).
898 S. N. POLITIS ET AL.
Table 10. ANOVA table for disintegration time (factorial CCD design example). Source
Figure 13. Contour (left) and 3D (right) plots for disintegration time (top) and hardness (bottom).
DRUG DEVELOPMENT AND INDUSTRIAL PHARMACY 899
Figure 14. Plots describing interactions BC for disintegration time (left) and AC for hardness (right).
The formal statistical analysis is carried using ANOVA and the relevant data for the two Interaction AC for hardness: at the high level of binder, the effect of compaction force is
responses are shown in Tables 8 and 9 , where only significant terms are included. more pronounced, compared with its effect at the low binder level. In other words, when the
binder level is low, hardness values are lower and more robust to the increase of
The following conclusions can be drawn up to this stage, which represents a screening compaction force.
phase:
The statistical analysis is in agreement with the graphical evaluation. In both cases, at high compaction forces the effect of the remaining factor participating
in the interaction (disintegrant level for disintegration time and binder level for tablet
All main effects and the interaction between B and C are proven to be statistically hardness) is magnified compared with the low compaction force levels. As a general
significant for disintegration time. Curvature is identified, showing that further rule, when the lines in the interaction plot are not parallel, this is indicative of an
augmentation of the design is required. interaction presence. The system behavior observed is in agreement with the
stateof-the-art knowledge, regarding the influence of compaction force, binder, and
Terms A, B and AC are found to be statistically significant for hardness, while there is disintegrant levels on tablet hardness and disintegration time.
no indication of curvature. In this case, the linear model could be considered sufficient.
Based on these conclusions and considering the curvature effect for disintegration DoE has fully mapped the mathematical relationship between the factors and the
time, an optimization phase is triggered. For this purpose, a RSM and specifically a face responses, allowing prediction and justified adjustment of the CQAs by selecting the
centered CCD was employed ( Table 7 , including the additional experiments 9 – 14). ANOVA appropriate values and/or ranges for the corresponding CPPs.
tables are also developed for this augmented design. With respect to hardness, the
differences observed are minimal as there was no curvature (table not shown). However,
the ANOVA table for disintegration time deriving from the CCD reveals the statistical In conclusion, statistical thinking and knowledge management 17 are very useful tools in
significance of the quadratic term for factor B (B 2). pharmaceutical development, as they promote operational excellence within the QbD
framework. Moreover, the evolution of the manufacturing science in the pharmaceutical
sector 70 can be strongly facilitated by the wide implementation of the techniques described
It should be noticed that the values of R- squared (also predicted and adjusted) reveal in this review.
the development of a very good model
fitting the process under study. Similar values were obtained also for hardness ( Table
10 ).
Based on the mathematical models developed, it is easy to construct graphical Disclosure statement
representations showing the relationship
The authors report no declarations of interest.
between the important factors and the responses, such as contour and 3D plots ( Figure 13 ).
In addition, interaction plots ( Figure 14 ) are graphical represen-
References
tations of the interaction between factors.
The interactions of Figure 14 can be read as follows: 1. Hald AA. History of mathematical statistics. New York: Wiley;
Interaction BC for disintegration time: at the low level of disintegrant, the effect of 1998.
compaction force is more pronounced, compared with its effect at the high disintegrant 2. Fisher RA. Statistical methods for research workers.
level. In other words, when the disintegrant level is high, disintegration times are fast and Edinburgh: Oliver and Boyd; 1925.
more robust to the increase of compaction force. 3. Fisher RA. The arrangement of field experiments. J Min Agric Gr Br 1926;33:503 – 13.
900 S. N. POLITIS ET AL.
4. Fischer RA. The design of experiments. 1st edn. New York: Hafner Publishing 25. Karatzas AA, Politis SN, Rekkas DM. Development of rapidly dissolving pellets
Company; 1935. within the Quality by Design Approach. Drug Dev Ind Pharm 2016. [Epub ahead of
5. ICH Q8(R2), Pharmaceutical Development, Guideline, print]. doi: http://
Available from: http://www.ich.org/fileadmin/Public_Web_ dx.doi.org/10.1080/03639045.2016.1220576.
Site/ICH_Products/Guidelines/Quality/Q8_R1/Step4/Q8_R2_ Guideline.pdf [last 26. Malladi M, Jukanti R. Formulation development and evaluation of a novel bi-dependent
accessed 4 Nov 2016]. clarithromycin gastroretentive drug delivery system using Box – Behnken design. J
6. Juran JM. Quality by design, the new steps for planning quality into goods and Drug Deliv Sci Technol 2016;35:134 – 45.
services. US: The Free Press; 1992.
7. Deming WE Institute, Available from: 27. Belotti S, Rossi A, Colombo P, et al. Spray dried amikacin powder for inhalation in
https://deming.org/theman/theories/profoundknowledge [last accessed 4 Nov cystic fibrosis patients: a quality by design approach for product construction.
2016]. Int J Pharm
8. Shewhart WE. Economic control of quality of manufactured product. New York: D. 2014;471:507 – 15.
Van Nostrand Company; 1931. 28. Belotti S, Rossi A, Colombo P, et al. Spray-dried amikacin sulphate powder for
9. Box GEP, Wilson KB. On the experimental attainment of optimum conditions. J R inhalation in cystic fibrosis patients: the role of ethanol in particle formation. Eur J
Stat Soc Ser B Methods 1951;13:1 – 45. Pharm Biopharm 2015;93:165 – 72.
10. Eriksson L, Byrne T, Johansson E, et al. Process Analytical Technology (PAT) and
Quality by Design (QbD). In: 29. Pallagi E, Karimi K, Ambrus R, et al. New aspects of developing a dry powder
Eriksson L, Byrne T, Johansson E, Trygg J, Vikstrom C, eds. Multi and megavariate inhalation formulation applying the quality-by-design approach. Int J Pharm
data analysis, basic principles and applications. Malmo: Umetrics Academy. 2016;511:151 – 60.
30. Cilurzo F, Minghetti P, Gennari CG, et al. Formulation study of a patch containing
11. Marlow E, Shangraw RF. Dissolution of sodium salicylate from tablet matrices prepared propranolol by design of experiments. Drug Dev Ind Pharm 2014;40:17 – 22.
by wet granulation and direct compression. J Pharm Sci 1967;56:498 – 504.
31. Patel N, Jain S, Madan P, Lin S. Application of design of experiments for
12. Singh B, Kumar R, Ahuja N. Optimizing drug delivery systems using systematic “ Design formulation development and mechanistic evaluation of iontophoretic tacrine
of Experiments ” Part I: fundamental aspects. Crit Rev Ther Drug Carrier Syst hydrochloride delivery. Drug Dev Ind Pharm 2016;42:1894 – 902.
2004;22:27 – 105.
13. Singh B, Dahiya M, Saharan V, Ahuja N. Optimizing drug delivery systems using 32. de Mattos CB, Argenta DF, de Lima Melchiades G, et al. Nanoemulsions
systematic “ Design of Experiments ” containing a synthetic chalcone as an alternative for treating cutaneous
Part II: retrospect and prospects ”. Crit Rev Ther Drug Carrier Syst 2005;22:215 – 93. leshmaniasis: optimization using a full factorial design. Int J Nanomed
2015;10:5529 – 42.
14. Available from: www.scopus.com 33. Kumar PM, Ghosh A. Development and evaluation of metronidazole loaded
15. Bhote KR. World class quality: using design of experiments to make it happen. microsponge based gel for superficial surgical wound infections. J Drug Deliv Sci
New York: Amacon, American Management Association; 1991. Technol 2015; 30:15 – 29.
16. Yu LX, Amidon G, Khan MA, et al. Understanding pharmaceutical quality by 34. S anchez-L opeza E, Egea MA, Cano A, et al. PEGylated PLGA nanospheres optimized
by design of experiments for ocular administration of dexibuprofen – in vitro, ex vivo
design. AAPS J 2014;16:771 – 83.
and in vivo
17. Korakianiti ES, Rekkas DM. Statistical thinking and knowledge management for
quality-driven design and manufacturing in pharmaceuticals, expert review. Pharm characterization. Colloids Surf B: Biointerfaces 2016;145: 241 – 50.
Res 2011;28:1465 – 79.
35. Achouri D, Hornebecq V, Piccerelle P, et al. Self-assembled liquid crystalline
18. Zhang L, Mao S. Application of quality by design in the current drug development. nanoparticles as an ophthalmic drug delivery system. Part I: influence of process
Asian J Pharm Sci 2017;12:1 – 8. parameters on their preparation studied by experimental design. Drug Dev Ind
19. Gabrielsson J, Lindberg NO, Pålsson M, et al. Multivariate methods in the Pharm 2015;41:109 – 15.
development of a new tablet formulation. Drug Dev Ind Pharm 2003;29:1053 – 75.
36. Achouri D, Sergent M, Tonetto A, et al. Self-assembled liquid crystalline
20. Gabrielsson J, Lindberg NO, Pålsson M, et al. Multivariate methods in the nanoparticles as an ophthalmic drug delivery system. Part II: optimization of
development of a new tablet formulation: optimization and validation. Drug Dev formulation variables using experimental design. Drug Dev Ind Pharm 2015;41:493 –
Ind Pharm 501.
2004;30:1037 – 49. 37. Rahali Y, Saulnier P, Benoit JP, Bensouda Y. Incorporating vegetal oils in
21. Claycamp HG, Kona R, Fahmy R, Hoag SW. Quality-by-Design II: application of parenteral nutrition using lipid nanocapsules. J Drug Deliv Sci Technol 2010;20:425 –
quantitative risk analysis to the formulation of ciprofloxacin tablets. AAPS 9.
PharmSciTech 2016;17:233 – 44. 38. Elliott P, Billingham S, Bi J, Zhang H. Quality by design for biopharmaceuticals: a
22. Chavez PF, Lebrun P, Sacr e PY, et al. Optimization of a pharmaceutical tablet historical review and guide for implementation. Pharm Bioprocess 2013;1:105 – 22.
formulation based on a design space approach and using vibrational spectroscopy
as PAT tool. Int J Pharm 2015;486:13 – 20. 39. Rathore AS, Winkle H. Quality by design for biopharmaceuticals. Nat Biotechnol
2009;27:26 – 34.
23. Charoo NA, Shamsher AAA, Zidan AS, Rahman Z. Quality by design approach for 40. Kelley B, Cromwell M, Jerkins J. Integration of QbD risk assessment tools and
formulation development: a case study of dispersible tablets. Int J Pharm overall risk management. Biologicals 2016;44:341 – 51.
2012;423:167 – 78.
24. Kushner J, Langdon BA, Hicks I, et al. A quality-by-design study for an 41. Wurth C, Demeule B, Mahler HC, Adler M. Quality by design approaches to formulation
immediate-release tablet platform: examining the relative impact of active robustness – an antibody case study. J Pharm Sci 2016;105:1667 – 75.
pharmaceutical ingredient properties, processing methods, and excipient variability
on drug product quality attributes. J Pharm Sci 2014;103:527 – 38. 42. Morales JO, Joks GM, Lamprecht A, et al. A design of experiments to optimize a new
manufacturing process for high
DRUG DEVELOPMENT AND INDUSTRIAL PHARMACY 901
activity protein-containing submicron particles. Drug Dev Ind Pharm 2013;39:1793 – 801.
55. Krishnaiah YS, Xu X, Rahman Z, et al. Development of performance matrix for
generic product equivalence of acyclovir topical creams. Int J Pharm 2014;475:110 –
43. Troiano G, Nolan J, Parsons D, et al. A quality by design approach to developing 22.
and manufacturing polymeric nanoparticle drug products. AAPS J 2016;18:1354 – 65. 56. de Matas M, De Beer T, Folestad S, et al. Strategic framework for education and
training in Quality by Design (QbD) and process analytical
44. Maretti E, Rustichelli C, Romagnoli M, et al. Solid Lipid Nanoparticle assemblies technology (PAT). Eur J Pharm Sci
(SLNas) for an anti-TB inhalation treatment – a Design of Experiments approach to 2016;90:2 – 7.
investigate the influence of pre-freezing conditions on the powder respirability. Int J 57. Aksu B, De Beer T, Folestad S, et al. Strategic funding priorities in the
Pharm 2016;511:669 – 79. pharmaceutical sciences allied to Quality by Design (QbD) and Process Analytical
Technology (PAT). Eur J Pharm Sci 2012;47:402 – 5.
46. Shariare MH, de Matas M, York P, Shao Q. The impact of material attributes and 59. Montgomery DC. Design and analysis of experiments. 8th edn. New York: John Wiley
Sons, Inc.; 2013.
process parameters on the micronisation of lactose monohydrate.
60. Barker TB. Quality by experimental design. New York: Marcel Dekker, Inc.; 1985.
Int J Pharm 2011;408:
58 – 66.
61. Lewis GA, Mathieu D, Phan-Tan-Luu R. Pharmaceutical experimental design. New
47. Pisano R, Fissore D, Barresi AA, et al. Quality by design: optimization of a
York: Marcel Dekker, Inc.; 1999.
freeze-drying cycle via design space in case of heterogeneous drying behavior and
62. NIST Engineering statistics handbook 5. Process improvement, Available from:
influence of the freezing protocol. Pharm Dev Technol 2013;18:280 – 95.
http://www.itl.nist.gov/div898/handbook/pri/section1/pri1.htm [last accessed 4 Nov
2016].
48. Korhonen K, Poikolainen M, Korhonen O, et al. Systematic evaluation of a spraying
63. ICH Q9, Quality Risk Management, Guideline. Available from:
method for preparing thin Eudragitdrug films by Design of Experiments. J Drug
http://www.ich.org/fileadmin/Public_Web_Site/ICH_Products/
Deliv Sci Technol 2016;35:241 – 51.
Guidelines/Quality/Q9/Step4/Q9_Guideline.pdf [last accessed 4 Nov 2016].
54. Shah SA, Dickens CJ, Ward DJ, et al. Design of experiments to optimize an in vitro 70. Politis SN, Rekkas DM. The evolution of the manufacturing science and the
cast to predict human nasal drug deposition. J Aerosol Med Pulm Drug Deliv pharmaceutical industry. Pharm Res
2014;27:21 – 9. 2011;28:1779 – 81.