Traducido del inglés al español - www.onlinedoctranslator.

com

Revisar
Revista Brasileña de
Ciencias farmacéuticas

http://dx.doi.org/10.1590/s2175-97902018000001006

Diseño de Experimentos (DoE) aplicados a la Industria Farmacéutica y

Calidad analítica por diseño (QbD)

Isa Martins Fukuda1, Camila Francini Fidelis Pinto1, Camila dos Santos Moreira1,
Alessandro Morais Saviano1, Felipe Rebello Lourenço1,*

1Departamento de Farmacia, Facultad de Ciencias Farmacéuticas, Universidad de São Paulo, São Paulo, Brasil

Según el concepto de Calidad por Diseño (QbD), la calidad debe incorporarse al producto/método durante el desarrollo
farmacéutico/analítico. Por lo general, existen muchos factores de entrada que pueden afectar la calidad del producto y
los métodos. Recientemente, el Diseño de Experimentos (DoE) se ha utilizado ampliamente para comprender los efectos
de las interacciones multidimensionales de los factores de entrada en las respuestas de salida de productos
farmacéuticos y métodos analíticos. Este artículo proporciona consideraciones teóricas y prácticas para la
implementación del Diseño de Experimentos (DoE) en Calidad por Diseño (QbD) farmacéutica y/o analítica. Esta revisión
ilustra los principios y aplicaciones de los diseños de detección más comunes, como los diseños factorial completo de dos
niveles, factorial fraccionado y Plackett-Burman; y diseños de optimización, como diseños factoriales completos de tres
niveles, diseños compuestos centrales (CCD) y diseños Box-Behnken. Además, se discutieron los principales aspectos
relacionados con el ajuste del modelo de regresión múltiple, incluyendo el análisis de varianza (ANOVA), significación de
la regresión, análisis de residuos, coeficientes de determinación (R2, r.2-adj y R2-pred) y falta de ajuste del modelo de
regresión. Por lo tanto, el DoE se presentó en detalle ya que es el componente principal del QbD farmacéutico y analítico.

Palabras clave:Diseño de Experimentos (DoE). Calidad por diseño (QbD). Diseños factoriales. Diseños
compuestos centrales (CCD). Diseños de Box-Behnken. Metodología de Superficie de Respuesta (RSM).

INTRODUCCIÓN control de procesos, basado en ciencia sólida y gestión de riesgos

Desde la introducción de los conceptos de Calidad por
Diseño (QbD), se ha aceptado que la calidad de los productos
farmacéuticos debe diseñarse y construirse durante el
proceso de fabricación. Según Juran (Yuet al., 2014), la
mayoría de los problemas de calidad están relacionados con la
forma en que se diseñó un producto farmacéutico. Un
producto farmacéutico mal diseñado mostrará poca seguridad
y eficacia, por muchas pruebas o análisis que se hayan
realizado para verificar su calidad. Por lo tanto, QbD comienza
con el reconocimiento de que la calidad no mejorará
simplemente aumentando los análisis de los productos
farmacéuticos. En otras palabras, la calidad debe estar
integrada en el producto. (Yu et al., 2014).
QbD es “un enfoque sistemático para el desarrollo
farmacéutico que comienza con objetivos predefinidos y enfatiza
la comprensión y la comprensión del producto y el proceso.
*Correspondencia:FR Lourenço. Departamento de Farmácia, Facultad de Ciencias
Farmacêuticas, Universidade de São Paulo. Correo electrónico: feliperl@usp.br
de calidad” (Yuet al., 2014). La aplicación de QbD proporcionará
conocimiento y comprensión científica para apoyar el desarrollo
farmacéutico (Sangshettiet al., 2017). Los objetivos de QbD
farmacéuticos pueden incluir: a) lograr especificaciones
significativas de calidad del producto; b) aumentar la capacidad
del proceso y reducir la variabilidad del producto; c) aumentar la
eficiencia en el desarrollo y la fabricación de productos
farmacéuticos; y d) mejorar el análisis causa-efecto y la flexibilidad
regulatoria (Yuet al., 2014).
La mayoría de las agencias reguladoras de todo el mundo
han alentado la adopción de enfoques basados en el riesgo y la
QbD farmacéutica (Yuet al., 2014; Bután et al., 2014). Los
conceptos farmacéuticos de QbD se han utilizado para mejorar la
fabricación de productos farmacéuticos en términos del enfoque
"Six-sigma". "Six-sigma" es un sistema de prácticas para lograr la
mejora de procesos, lo que conduce a una probabilidad
significativamente reducida de productos fuera de especificación
(OOS). El importante número de resultados de OOS informados
indica que se trata de un problema para las industrias
farmacéuticas (Peraman, Bhadraya, Reddy, 2015).

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 1


Sin embargo, muchas veces los problemas para
lograr el rendimiento “seis sigma” requerido no se deben a
problemas de fabricación, sino a la falta de robustez y
confiabilidad de los métodos analíticos. Varios autores
describieron la aplicación de los conceptos QbD en el
desarrollo de métodos analíticos (Peraman, Bhadraya,
Reddy, 2015; Bhutaniet al., 2014). Analytical QbD es útil en
el desarrollo y optimización de métodos analíticos sólidos y
rentables. La implementación de QbD analítico
proporciona una mejor solución para los resultados de
OOS y también reduce el riesgo de falla del método.
Tradicionalmente, el desarrollo y optimización de
productos farmacéuticos y métodos analíticos se ha realizado
analizando un factor a la vez (enfoque OFAT) (Bezerray otros,
2008; Candiotiet al., 2014; politiset al., 2017). Uno de los
factores cambia dentro de un rango (o niveles) apropiado,
mientras que los demás se mantienen constantes. Además de
demandar un elevado número de experimentos, el enfoque
OFAT no permite evaluar la existencia de interacción entre los
factores, lo que puede llevar a una conducción inadecuada del
desarrollo y optimización (Bezerray otros,2008; Candiotiet al.,
2014; politiset al., 2017). Para superar estas limitaciones, el
diseño de experimentos (DoE) puede proporcionar mejores
resultados con un número reducido de experimentos. DoE es
un conjunto de herramientas estadísticas que incluyen
diseños de detección; y diseños de optimización (Bezerray
otros,2008; Candiotiet al., 2014; politiset al., 2017).
DoE es el componente principal de QbD farmacéutico y
analítico. Por lo tanto, el presente artículo proporciona
consideraciones teóricas y prácticas para la implementación
del Diseño de Experimentos (DoE) en Calidad por Diseño
(QbD) farmacéutica y/o analítica.
PASOS DE LA CALIDAD FARMACÉUTICA POR
DISEÑO Y LA CALIDAD ANALÍTICA POR
DISEÑO
QbD comprende todos los elementos del desarrollo
farmacéutico, lo que permitirá diseñar un producto de calidad
y su proceso de fabricación para ofrecer consistentemente el
desempeño previsto en cuanto a su seguridad y eficacia.
Utilizando el enfoque QbD, el desarrollo farmacéutico
proporcionará una comprensión completa del producto y su
proceso de fabricación (Sangshettiet al., 2017; Zhao, Mao,
2017; Yuet al., 2014).
Los métodos analíticos se consideran una parte integral del
desarrollo farmacéutico (Butaniet al., 2014). Por lo tanto, la
aplicación del enfoque QbD al desarrollo de métodos analíticos es
justificable y una estrategia recomendada para lograr flexibilidad
regulatoria y reducir la falta de especificación.
2 Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço
resultados, para lograr un alto grado de solidez y un
método analítico rentable (Peraman, Bhadraya, Reddy,
2015; Bhutaniet al., 2014).
Establecimiento del perfil de producto objetivo de
calidad (QTPP)/perfil objetivo analítico (ATP)
El perfil de producto objetivo de calidad (QTPP) es un
resumen de las características de calidad del producto
farmacéutico que deben lograrse para garantizar la seguridad y
eficacia. En otras palabras, QTPP consiste en la definición de
expectativas en el producto farmacéutico final (Sangshettiet al.,
2017; Yu et al., 2014). Las consideraciones para QTPP deben incluir
el uso previsto en el entorno clínico, la vía de administración, la
forma farmacéutica, el sistema de administración, la dosis, el
sistema de cierre del recipiente, los factores que afectan las
propiedades farmacocinéticas y los criterios de calidad del
producto (como esterilidad, pureza, estabilidad, entre otros)
( Sangshettiet al., 2017; Zhao, Mao, 2017; Yuet al., 2014).
La Calidad Analítica por Diseño (AQbD) comienza con
la definición del Perfil Analítico Objetivo (ATP). ATP define
el objetivo del método analítico, que impulsará las
actividades de selección, diseño y desarrollo del método
(Peraman, Bhadraya, Reddy, 2015; Bhutaniet al., 2014). En
otras palabras, el ATP es una declaración de lo que se debe
medir (por ejemplo, ingrediente farmacéutico activo).
– API), en qué se debe medir (por ejemplo, en forma
farmacéutica) y por qué/cuándo se debe medir (por ejemplo,
durante el estudio de estabilidad). En la definición de ATP se
debe establecer un nivel requerido de confianza
(incertidumbre en la medición del objetivo, generalmente
estimada a partir de la exactitud y precisión) para garantizar la
calidad de los resultados analíticos (Butaniet al., 2014).
Parece obvio que los principales objetivos de un nuevo
producto o método deben definirse antes de su desarrollo. Sin
embargo, a lo largo de los años, este enfoque rara vez se ha
adoptado. Un QTPP (o ATP) bien definido evita la pérdida de
tiempo y recursos. (Yuet al., 2014)
Identificación de atributos críticos de calidad (CQA)/
características de rendimiento del método analítico
(AMPC)
La identificación de atributos críticos de calidad (CQA) es el
siguiente paso en QbD farmacéutico. CQA son propiedades o
características químicas, físicas, biológicas o microbiológicas de un
producto farmacéutico (en proceso o terminado) que deben estar
dentro de las especificaciones apropiadas para garantizar la calidad. El
CQA puede incluir identidad, ensayo, contenido, uniformidad,
degradación, productos, disolventes residuales, liberación o disolución
del fármaco, contenido de humedad, límites microbianos,
Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)

y propiedades físicas como color, forma, tamaño y friabilidad
(Sangshettiet al., 2017; Zhang, Mao, 2017). Los CQA
potenciales derivados de QTPP se utilizan para guiar el
desarrollo de productos y procesos. Por lo tanto, los atributos
críticos del material (CMA) y los parámetros críticos del
proceso (CPP) también pueden identificarse para lograr CQA y
QTPP, en consecuencia (Yuet al., 2014).
Los atributos críticos del material (CMA) consisten en
propiedades físicas, químicas, biológicas o microbiológicas
que el material de entrada debe cumplir para garantizar el
CQA deseado. Por otro lado, los Parámetros Críticos de
Proceso (CPP) son parámetros del proceso como tiempo de
mezclado, velocidad de agitación, temperatura, flujo de aire,
entre otros que deben ser monitoreados antes o durante el
proceso para asegurar el CQA deseado. (Zhao, Mao, 2017)
Las características de rendimiento del método
analítico (AMPC) se definen para satisfacer las necesidades
de ATP. AMPC se puede clasificar en dos categorías, según
la fuente de error: a) variabilidad (sesgo) sistemática, que
incluye precisión, especificidad y linealidad; y b)
variabilidad aleatoria (aleatorizada), que incluye precisión,
límite de detección y límite de cuantificación. Además, el
alcance y la robustez también pueden incluirse en la
definición de AMPC. Siempre se recomienda incorporar un
criterio conjunto de características del método (al menos,
exactitud y precisión) en ATP. La selección de la técnica
analítica (como ensayos cromatográficos,
espectrofotométricos o microbiológicos) debe estar
determinada por las definiciones de ATP y AMPC.
(Peraman, Bhadraya, Reddy, 2015; Butaniet al., 2014)
En la Figura 1a se muestra un diagrama esquemático de los
pasos para la implementación de QbD farmacéutico, que incluye
las relaciones entre CMA, CPA, CQA, Design Space y
QTPP. Además, los pasos para la implementación de
QbD analítico se muestran en la Figura 1b, incluidas las
relaciones entre CAP, AMPC, MODR y ATP.
Evaluación de riesgos
La evaluación de riesgos es un proceso sistemático de
organización de la información del conocimiento para respaldar las
decisiones. Hay tres elementos esenciales en la evaluación de riesgos:
a) identificación de riesgos: uso sistemático de información para
identificar fuentes potenciales de peligro a partir de datos históricos,
análisis teóricos y preocupaciones de las partes interesadas; b) análisis
de riesgos: la estimación del riesgo asociado con los peligros
identificados; yc) evaluación de riesgos: comparación de los riesgos
estimados utilizando escala cuantitativa o cualitativa para determinar
su importancia.
El diagrama de Ishikawa (espina de pescado) y el análisis
modal de fallas y efectos (FMEA) son herramientas de evaluación
de riesgos ampliamente utilizadas. El diagrama de Ishikawa es
una herramienta de evaluación de riesgos cualitativa que permite
identificar y clasificar en categorías amplias las principales fuentes
de peligros. En otras palabras, esto ayuda a responder la
pregunta "¿Qué podría estar mal?". El método FMEA se utiliza a
menudo para realizar una evaluación de riesgos cuantitativa, que
proporciona un número de prioridad de riesgo (RPN = P x S x D)
estimado en función de la probabilidad de ocurrencia (P), la
gravedad (S) y la probabilidad de detección (D). FMEA permite
responder a las preguntas "¿Cuál es la probabilidad de que esté
mal?" y “¿Cuáles son las consecuencias (gravedad)?” (Sangshettiet
al., 2017; Zhao, Mao, 2017; Peraman, Bhadraya, Reddy, 2015;
Butánet al., 2014).

FIGURA 1–Diagrama esquemático de los pasos para la implementación del QbD farmacéutico (a) y del QbD analítico (b). Leyenda: CPP =
Parámetro de proceso crítico, CMA = Atributo de material crítico, CQA = Atributo de calidad crítico, DS = Espacio de diseño, QTPP = Perfil
de producto objetivo de calidad, CAP = Parámetro analítico crítico, AMPC = Característica de rendimiento del método analítico y ATP =
Objetivo analítico Perfil.

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 3


DISEÑO DE EXPERIMENTOS (DoE)
DoE es un método estructurado y organizado para
determinar las relaciones entre factores de entrada (Xi–
variables independientes) que afectan una o más
respuestas de salida (y–variables dependientes), mediante
el establecimiento de modelos matemáticos (y=F(Xi)).
En el enfoque DoE, los factores de entrada controlados
varían sistemáticamente para determinar sus efectos en las
respuestas de salida, lo que permite determinar los factores
de entrada más importantes, identificar los factores de
entrada que conducen a respuestas de salida optimizadas y
dilucidar las interacciones entre las entradas. factores.
Selección del diseño experimental.
La selección del mejor diseño experimental debe
considerar varios aspectos, como los objetivos definidos, el
número de factores de entrada e interacciones a estudiar, y la
validez estadística y eficacia de cada diseño. Para comprender
mejor la aplicación del DoE, los diseños experimentales se pueden
dividir en dos tipos: a) diseños de selección; y b) diseños de
optimización (Bezerray otros,2008; Candioti et al., 2014; politiset
al., 2017). La Tabla I proporciona un resumen de las características
de los diseños de selección y optimización, como la cantidad de
experimentos requeridos, la cantidad de niveles de factores de
entrada y la cantidad de factores a estudiar.
Diseños de cribado
Los diseños factoriales completos de dos niveles, los
diseños factoriales fraccionados y los diseños de Placket-Burman
son los diseños de detección más utilizados debido a sus ventajas
rentables. Estos diseños experimentales permiten estudiar una
amplia cantidad de factores de entrada con un número reducido
de experimentos. Sin embargo, también tienen algunas
limitaciones que deben considerarse para proporcionar una mejor
comprensión de los efectos de los factores de entrada en las
respuestas de salida (Bezerray otros,2008; Candiotiet al., 2014;
politiset al., 2017).
TABLA I–Resumen de las características de los diseños de detección y optimización, número de experimentos, niveles y factores.
Aplicaciones Diseño experimental
Poner en pantalla Plackett-Burman
factorial fraccionado
Factorial completo de dos niveles
Mejoramiento Caja-Behnken
Diseño compuesto central
factorial de 3 niveles.
4 Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço
Los diseños factoriales completos de dos niveles son los
diseños de selección más poderosos, una vez que permiten estimar los
efectos principales de los factores de entrada y sus interacciones en
las respuestas de salida. Las principales limitaciones de los diseños
factoriales completos de dos niveles se basan en la gran cantidad de
experimentos necesarios, en comparación con los diseños factoriales
fraccionados y los diseños de Plackett-Burman. El número de
experimentos necesarios para diseños factoriales completos de dos
niveles se puede calcular como 2k, dóndekes el número de factores de
entrada a estudiar (Bezerray otros,2008; Candiotiet al., 2014; politiset
al., 2017). En la Tabla II se presenta una matriz de diseños factoriales
completos de dos niveles para 2, 3 y 4 factores de entrada.
Los diseños factoriales fraccionados son uno de los más
utilizados con fines de selección, porque estos diseños permiten la
evaluación de una gran cantidad de factores de entrada con un
número reducido de experimentos requeridos (Bezerray otros,
2008; Candiotiet al., 2014; politiset al., 2017). Esto se puede lograr
fraccionando un factorial completo 2kdiseñar en un 2k-pdiseño,
dondepages el número de generadores elegidos para fraccionar
el diseño (Figura 2). Por ejemplo, al examinar cuatro factores de
entrada, un diseño factorial de media fracción (24-1= 8
experimentos) pueden adoptarse. Un diseño factorial de cuarto de
fracción (25–2= 8 experimentos) se puede adoptar para estudiar
cinco factores de entrada, con el mismo número de experimentos.
Sin embargo, se debe prestar atención a la estimación de los
efectos principales y los efectos de interacción utilizando diseños
factoriales fraccionados, porque algunos de ellos tienen alias (o
aturdido). Por ejemplo, usando un 23-1 fraccionar
III
En el diseño factorial, el efecto principal de X3 tiene un
alias con la interacción de X1 y X2 (Figura 3). Al adoptar
un 24-1 IVdiseño factorial fraccionado, el efecto principal de X4 tiene un alias
con 3terceroInteracción de orden de X1, X2 y X3. En diseños factoriales
fraccionados con resolución III, los efectos principales tienen alias con 2
Dakota del Norteordenar las interacciones. Cuando se utilizan diseños de
resolución IV, los efectos principales tienen un alias de 3terceroordenar
interacciones y 2Dakota del Nortelas interacciones de orden tienen un alias con 2
Dakota del Norteordenar las interacciones. Adopción de resolución
experimentos Niveles Factores
norte 2 <N-1
2kp 2 k>4
res
2k 2 2<k<5
2k(k-1)+C 3 3<k<5
2k+2k+C 5 2k< 5
3k 3 2<k<3
Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)

TABLA II–Matriz de diseños factoriales completos de dos niveles para dos (22), tres (23), y cuatro (24) factores de entrada (X1 a X4)

22matriz de diseño 23matriz de diseño 24matriz de diseño

# X1 X2 # X1 X2 X3 # X1 X2 X3 X4
1 -1 -1 1 -1 -1 -1 1 -1 -1 -1 -1
2 -1 +1 2 -1 -1 +1 2 -1 -1 -1 +1
3 +1 -1 3 -1 +1 -1 3 -1 -1 +1 -1
4 +1+1 4 -1 +1 +1 4 -1 -1 +1 +1
5 +1 -1 -1 5 -1 +1 -1 -1
6 +1 -1 +1 6 -1 +1 -1 +1
7 +1 +1 -1 7 -1 +1 +1 -1
8 +1 +1 +1 8 -1 +1 +1 +1
9 +1 -1 -1 -1
10 +1 -1 -1 +1
11 +1 -1 +1 -1
12 +1 -1 +1 +1
13 +1 +1 -1 -1
14 +1 +1 -1 +1
15 +1 +1 +1 -1
dieciséis +1 +1 +1 +1

FIGURA 2–Ilustración de un diseño factorial de dos niveles medio fraccionado (23-1 III ) matriz (a), su matriz complementaria (b) y dos
diseño factorial completo de nivel (23) matriz (c) para tres factores de entrada.

Diseños V, los efectos principales tienen alias con 4thordenar
interacciones y 2Dakota del Nortelas interacciones de orden tienen un
alias con 3terceroordenar las interacciones. Por tanto, los diseños
factoriales fraccionados pueden no ser adecuados para evaluar las
interacciones entre factores. La resolución de los diseños
factoriales fraccionados se define según la selección de
generadores. En la Tabla III se presenta un resumen de la matriz
de diseños fraccionados.
Los diseños de Plackett-Burman son tipos especiales de
diseños factoriales fraccionados de dos niveles (resolución III),
que permiten estudiar hasta N-1 factores de entrada con N
experimentos (N debe ser múltiplo de 4) (Bezerray otros,2008;
Candiotiet al., 2014; politiset al., 2017). Un
En la Tabla IV se proporciona un ejemplo de una matriz de diseño de
Plackett-Burman utilizada para estudiar 11 factores de entrada con 12
experimentos.
Los diseños de selección se utilizan a menudo en el primer
paso del DoE para seleccionar los factores de entrada más
importantes y descartar los insignificantes. Los diagramas de Pareto
son herramientas útiles para lograr este propósito (Figura 3), porque
permiten ordenar los factores de entrada (y sus interacciones) en
orden de importancia. Por ejemplo, según el diagrama de Pareto
presentado en la Figura 2a, concluimos que el factor de entrada X1 es
el más importante, seguido de los factores X3 y X2, respectivamente.
Cuando se adopta un diseño factorial fraccionado, se debe prestar
atención al análisis del diagrama de Pareto. En otras palabras,

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 5

 IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço

En un método cromatográfico, se quiere explicar la resolución

FIGURA 3–Representación en diagramas de Pareto de los efectos principales (X1,
X2 y X3) de los factores de entrada (a), y los efectos principales (X1 y X2) y los
efectos de interacción (X1*X2) de los factores de entrada (b). El efecto principal de
X3 (a) tiene un alias con la interacción de X1 y X2 (b).
El efecto principal del factor de entrada X3 (Figura 3a) tuvo un
alias con la interacción de los factores X1 y X2 (Figura 3b). Por
ejemplo, consideremos que durante el desarrollo de
entre dos picos en función del pH de la fase móvil (X1), la
cantidad de disolvente orgánico en la fase móvil (X2) y el
caudal (X3). Según el diagrama de Pareto que se muestra en la
Figura 3a, se puede concluir que el caudal es un parámetro
analítico crítico. Sin embargo, el caudal tiene un alias (o se
confunde) con la interacción entre el pH y la cantidad de
disolvente orgánico en la fase móvil (X3 = X1 x X2). Esta
conclusión se asumió erróneamente porque el diagrama de
Pareto mostrado en la Figura 3a se obtuvo utilizando un
diseño factorial fraccionado con resolución III. Cuando se
utiliza un factorial completo, el caudal no se confundirá con la
interacción entre el pH y la cantidad de solvente orgánico en
la fase móvil, lo que se evidencia en el diagrama de Pareto que
se muestra en la Figura 3b.
Sin embargo, los gráficos de Pa reto no proporcionan
información sobre cómo las respuestas de salida se ven afectadas
por la variación del nivel del factor de entrada. Esta información
puede ser proporcionada por gráficos de efectos principales e
interacciones (Figura 4). Por ejemplo, la respuesta de salida
aumenta al variar el factor de entrada X1 del nivel bajo (-1) al alto
(+1), mientras que la respuesta de salida disminuye al variar el
factor de entrada X2 del nivel bajo (-1) al alto (+1) ( Figura 4a). Una
ventaja del enfoque DoE sobre la experimentación OFAT reside en
la dilucidación de las interacciones entre los factores de entrada.
Por ejemplo, en la Figura 4b, la respuesta de salida aumenta
significativamente al variar el factor de entrada X1 de nivel bajo
(-1) a alto (+1) con X2 fijo en nivel bajo (-1 – puntos y líneas grises),
mientras que la respuesta de salida permanece casi constante al
variar el factor de entrada X1 de nivel bajo (-1) a alto (+1) con X2
fijo en nivel alto (+1 – puntos y líneas negros). Los gráficos de
efectos de interacción son útiles para identificar sinergismo o
antagonismo entre factores de entrada y respuestas de salida.

TABLA III–Matriz de diseños factoriales de dos niveles semifraccionados y cuartos para tres (23-1 III ), cuatro (24-1 IV), y cinco (25-2 III) aporte
factores (X1 a X5)

23-1IIImatriz de diseño*1 24-1IVmatriz de diseño*2 25-2IIImatriz de diseño*3

# X1 X2 X3 # X1 X2 X3 X4 # X1 X2 X3 X4 X5
1 -1-1+1 1 -1-1-1 -1 1 -1 - 1 -1 +1 +1
2 -1+1-1 2 +1-1-1 +1 2 1 - 1 -1 -1 -1
3 +1-1-1 3 -1+1-1 +1 3 -1 1 -1 -1 +1
4 +1+1+1 4 +1+1-1 -1 4 1 1-1+1-1
5 - 1 -1 +1 +1 5 -1 - 1 1 +1 -1
6 + 1 -1 +1 -1 6 1 -11-1+1
7 - 1 +1 +1 -1 7 -1 1 1 -1 -1
8 + 1 +1 +1 +1 8 1 11+1+1
*1 X3 = X1 x X2 /*2X4 = X1 x X2 x X3 /*3X4 = X1 x X2 y X5 = X1 x X3

6 Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006

Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)

TABLA IV–Matriz de diseño Plackett-Burman para estudiar 11 factores de entrada (X1 a X11) con 12 experimentos

# X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1
2 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1
3 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1
4 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1
5 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1
6 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1
7 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1
8 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1
9 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1
10 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1
11 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

superficie de respuesta compleja. Una de las limitaciones más

FIGURA 4–Gráficos de efectos principales (a) e interacción (b) de los factores
de entrada X1 y X2.
Diseños de optimización
Los diseños factoriales completos de tres niveles, los diseños
compuestos centrales y los diseños de Box-Behnken son los diseños
de optimización más utilizados porque permiten modelar
importantes de los diseños de cribado radica en el hecho de que sólo
permiten modelar 1callesuperficie de respuesta de orden (lineal),
porque tienen solo dos niveles para cada factor de entrada. Los
diseños de optimización utilizan de 3 a 5 niveles de cada factor de
entrada, lo que permite modelar 2Dakota del Nortesuperficie de respuesta
de orden (cuadrática) (Bezerray otros,2008; Candiotiet al., 2014; politis
et al., 2017). Sin embargo, debido al mayor número de experimentos
requeridos, generalmente se utilizan para estudiar un número
reducido de factores de entrada (Tabla I).
El diseño factorial completo de tres niveles se utiliza a
menudo sólo cuando es necesario estudiar dos o tres factores de
entrada, porque se requiere un mayor número de experimentos.
El número de experimentos necesarios se puede calcular como 3.k
, dóndekes el número de factores de entrada a estudiar (Bezerray
otros,2008; Candiotiet al., 2014; politiset al., 2017). Por ejemplo, un
diseño factorial completo de tres niveles para tres factores de
entrada requiere 33= 27 experimentos (Tabla V). En la Figura 5a se
proporciona una representación espacial en 3D del diseño
factorial.
Los diseños compuestos centrales (CCD) son uno de los
diseños de optimización más utilizados porque utilizan 5 niveles
de cada factor de entrada con un número reducido de
experimentos requeridos, en comparación con el diseño factorial
completo de tres niveles (Bezerray otros,2008; Candiotiet al., 2014;
politis et al., 2017). En la Figura 5b se proporciona una
representación espacial 3D de CCD para tres factores de entrada.
Este diseño consta de las siguientes partes: a) los puntos del
diseño factorial (puntos negros); b) los puntos axiales (puntos
grises); yc) el punto central (puntos blancos). La matriz CCD
también se presenta en la Tabla V, con los puntos de diseño
factorial (experimentos 1-8), los puntos axiales (experimentos
9-14) y el punto central (experimentos 15-20 - 6 réplicas).

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 7

 IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço

TABLA V–Diseño factorial completo de tres niveles (33), diseño compuesto central (CCD) y matriz de diseño Box-Behnken para tres factores de
entrada (X1, X2 y X3)

33matriz de diseño Matriz central de diseño compuesto. Matriz de caja-Behnken

# X1 X2 X3 # X1 X2 X3 # X1 X2 X3
1 -1 -1 -1 1-1-1-1 1 -1 -1 0
2 -1 -1 0 2+1-1-1 2 +1 -1 0
3 -1 -1 +1 3 -1 +1 -1 3 -1 +1 0
4 -1 0 -1 4 +1 +1 -1 4 +1 +1 0
5 -1 0 0 5 -1 -1 +1 5 -1 0 -1
6 -1 0 +1 6 +1 -1 +1 6 +1 0 -1
7 -1 +1 -1 7 -1 +1 +1 7 -1 0 +1
8 -1 +1 0 8 +1 +1 +1 8 +1 0 +1
9 -1 +1 +1 9 - 1,68 0 0 9 0 -1 -1
10 0 -1 -1 10 + 1,68 0 0 10 0 +1 -1
11 0 -1 0 11 0 - 1,68 0 11 0 -1 +1
12 0 -1 +1 12 0 + 1,68 0 12 0 +1 +1
13 0 0 -1 13 0 0 - 1,68 13 0 0 0
14 0 0 0 14 0 0 + 1,68 14 0 0 0
15 0 0 +1 15 0 0 0 15 0 0 0
dieciséis 0 +1 -1 dieciséis 0 0 0
17 0 +1 0 17 0 0 0
18 0 +1 +1 18 0 0 0
19 +1 -1 -1 19 0 0 0
20 +1 -1 0 20 0 0 0
21 +1 -1 +1
22 +1 0 -1
23 +1 0 0
24 +1 0 +1
25 +1 +1 -1
26 +1 +1 0
27 +1 +1 +1

FIGURA 5–Ilustración del diseño factorial completo de tres niveles (33) matriz (a), matriz de diseño compuesto central (CCD) (b) y matriz de diseño
Box-Behnken (c) para tres factores de entrada.

8 Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006

Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)
Los diseños de Box-Behnken son tipos especiales de diseños
factoriales fraccionados de tres niveles, que permiten modelar 1calle
y 2Dakota del Nortesuperficies de respuesta de orden. Estos diseños son más
rentables que los diseños factoriales completos de tres niveles,
particularmente para una gran cantidad de factores de entrada
(Bezerra y otros,2008; Candiotiet al., 2014; politiset al., 2017). Podemos
ver que todos los puntos utilizados en los diseños Box-Behnken
(Figura 5c) fueron seleccionados de los 33diseño factorial completo
(Figura 5a). La matriz Box-Behnken también se proporcionó en la Tabla
V.
El modelo más simple que se puede ajustar se basa en una
función lineal. Este modelo puede ajustarse con base en los
resultados obtenidos de al menos un diseño factorial fraccionado
(resolución IV o superior), si las respuestas de salida se ajustan
bien a la Ecuación 1.
(1) candiotiet al., 2014; politiset al., 2017).
Por lo tanto, la respuesta de salida debe tener una superficie
de respuesta lineal, como se presenta en la Figura 6a.
Para evaluar las interacciones entre los factores de entrada,
se debe adoptar al menos un diseño factorial completo de dos
niveles. El modelo se puede ajustar basándose en una función de
interacción lineal +, si la respuesta de salida se ajusta bien a la
Ecuación 2.
(2) diferente de 0. Cuando el término del coeficiente de regresión no es
La superficie de respuesta obtenida utilizando una función
de interacción lineal + se presenta en la Figura 6b.
La principal ventaja de los diseños de optimización reside en la
posibilidad de modelar 2Dakota del Nortesuperficies de respuesta de orden,
porque tienen de 3 a 5 niveles para cada factor de entrada. En otras
palabras, estos diseños permiten evaluar la curvatura de la superficie
de respuesta. El modelo se puede ajustar basándose en una función
lineal + cuadrática, si la respuesta de salida se ajusta bien a la Ecuación
3.
(3) términos del modelo de regresión. Por lo tanto, no es una buena
Por lo tanto, la respuesta de salida debe tener una superficie de
respuesta de curvatura, debido a la presencia de términos cuadráticos en el
modelo de regresión. La superficie de respuesta obtenida utilizando una
función lineal + cuadrática se presenta en la Figura 6c.
Finalmente, puede ser necesario adoptar un modelo completo,
con términos lineales + de interacción + cuadráticos. El modelo se
puede ajustar basándose en una función de modelo completa, si la
respuesta de salida se ajusta bien a la Ecuación 4.
(4) el modelo predice las respuestas de salida para nuevas observaciones.
Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
La superficie de respuesta obtenida utilizando una función
lineal + interacción + cuadrática se presenta en la Figura 6d.
El modelo matemático debe seleccionarse basándose
en la aplicación del Análisis de Varianza (ANOVA). La idea
principal de ANOVA es comparar la variabilidad debida al
tratamiento (variando el nivel de los factores de entrada) con
la variabilidad debida al error residual. A partir de esta
comparación, es posible evaluar la significancia del modelo de
regresión (Tabla VI). El análisis de regresión es válido sólo si
los residuos (cuadrado de la diferencia entre la respuesta
predicha por el modelo matemático y la respuesta
experimental) presentan distribución normal y
homocedasticidad. Cuando sea necesario, se puede utilizar
una transformación Box-Cox (por ejemplo, transformación ln -
λ = 0) de la respuesta de salida para mejorar la normalidad y la
homocedasticidad de los residuos. (Bezerray otros,2008;
Según ANOVA, podemos decidir incluir o excluir los
coeficientes de términos lineales (por ejemplo, X1, X2 y X3),
términos de interacción (por ejemplo, X1X2, X1X3 y X2X3) y
términos cuadráticos (por ejemplo, X12, X22y X32). Esta decisión
se basa en los valores p para cada término de regresión de
coeficientes. Por lo general, se debe incluir un término de
regresión de coeficientes en el modelo de regresión cuando
su valor p es inferior a 0,05. En otras palabras, cuando el
término de regresión del coeficiente es significativamente
diferente de 0 (valor p > 0,05), indica que la respuesta de salida no
se ve afectada al variar los niveles de los factores de entrada. Por
tanto, este término de regresión de coeficientes puede excluirse
del modelo de regresión.
El ajuste del modelo de regresión múltiple debe evaluarse
en función de los coeficientes de determinación (R2, r.2-adj y R2
-pred). Coeficiente de determinación (R2) es la proporción de la
varianza en la respuesta de salida que se predice a partir de los
factores de entrada. En otras palabras, qué parte de la respuesta
de producción (Y) se explica por los factores de entrada (Xs). Sin
embargo, R.2siempre aumentará agregando nuevos
manera de comparar modelos de regresión con diferente número
de términos (por ejemplo, comparar un modelo lineal con un
modelo completo). La R ajustada2(R2-adj) es una versión
modificada de R2que se ajusta por el número de términos en el
modelo de regresión. El r2-adj aumenta sólo si el nuevo término
mejora el modelo de regresión. En cambio, disminuye cuando el
término no mejora el modelo de regresión. Así, R2-adj permite
comparar el poder explicativo de modelos de regresión que
contienen diferente número de términos. R predictivo2(R2-pred)
indica qué tan bien una regresión
R2-pred se calcula eliminando sistemáticamente cada
9

observación del conjunto de datos, estimando la ecuación de
regresión y determinando qué tan bien el modelo predice la
observación eliminada. R2-adj y R2-pred son siempre inferiores
a R2.
Además, la variabilidad debida a la falta de ajuste del modelo
de regresión debe compararse con la variabilidad debida al error
aleatorio puro para evaluar el ajuste del modelo de regresión.
FIGURA 6–Gráficos de superficie de respuesta y contadores para funciones de modelo lineal (a), lineal + interacción (b), lineal + cuadrática y completa (d).
10
IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço
(Tabla VI). El modelo de regresión está mal ajustado cuando el error
proporcionado por la falta de ajuste del modelo de regresión es
significativamente mayor que el error aleatorio puro (valor de p <0,05).
Por otro lado, cuando el error proporcionado por la falta de ajuste del
modelo de regresión es significativamente menor que el error
aleatorio puro (valor p > 0,05), indica que el modelo de regresión está
bien ajustado. Es importante notar
Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)

TABLA VI–Análisis de varianza (ANOVA) utilizado en el análisis de regresión múltiple para evaluar la significación de la regresión, el error residual y el ajuste
de falta de ajuste

Fuente df SS EM F

Regresión pag–1

Derechos residuales de autor norte – pag

Falta de ajuste metro - pag

puro error norte – metro

Total norte–1

Leyenda: df = grados de libertad, SS = suma de cuadrados, MS = media cuadrática, F = estadística de prueba F.

ese error de falta de ajuste sólo puede estimarse cuando el diseño
experimental incluye réplicas, generalmente para el punto central.
Definición del espacio de diseño (DS)/región de diseño
operable por método (MODR)
Design Space (DS) es una combinación e interacción
multidimensional de factores de entrada (normalmente CMA y
CPP) que han demostrado proporcionar garantía de calidad y,
en consecuencia, seguridad y eficacia. Mover los factores de
entrada dentro de las regiones espaciales de diseño no se
considera una modificación sujeta a notificación, lo que
garantiza flexibilidad regulatoria (Yuet al., 2014).
En QbD analítico, Región de diseño operable por
método (MODR) (también llamada espacio de diseño analítico)
es la combinación e interacción multidimensional de
condiciones analíticas (factores de entrada; por ejemplo,
condiciones cromatográficas) que se ha demostrado que
proporcionan garantía de rendimiento del método
analítico (respuesta de salida; por ejemplo, resolución
entre picos) (Butánet al., 2014).
La región del espacio de diseño se puede obtener mediante
optimización gráfica a partir de gráficos de contador
superpuestos de respuestas de salida (Ys) como funciones de
factores de entrada (Xs) (Figura 7). Alternativamente, la
optimización de respuestas múltiples puede estimarse mediante
técnicas numéricas de funciones de deseabilidad. Las funciones
de deseabilidad generalmente se diseñan para lograr diferentes
criterios, por ejemplo, maximizar, minimizar y optimizar las
respuestas de salida (Figura 8) (Candiotiet al., 2014).

FIGURA 7–Espacio de diseño (regiones blancas) obtenido del gráfico contador de la respuesta de salida Y1 (a), del gráfico contador de la respuesta de salida
Y2 (b) y del gráfico contador superpuesto de las respuestas de salida Y1 e Y2 (c) en función de los factores de entrada X1 y X2.

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 11


FIGURA 8–Funciones de deseabilidad para maximizar (a), minimizar (b) y
optimización objetivo, generalmente utilizadas en la optimización de
respuestas múltiples.
Implementación de estrategia de control y
mejora continua.
Se requiere una estrategia de control para garantizar que los
atributos críticos del material (CMA) y los parámetros críticos del proceso
(CPP) estén dentro de los límites esperados. Obviamente, el espacio de
control debe estar dentro del espacio de diseño (Sangshettiet al., 2017). La
tecnología de procesos analíticos (PAT) es una herramienta importante en
la implementación de estrategias de control, ya que permite realizar
pruebas de liberación en tiempo real y proporciona un mayor nivel de
garantía de calidad en comparación con las pruebas de productos finales
convencionales. Sin embargo, PAT no es la única forma de implementar la
liberación en tiempo real. Los modelos predictivos también se pueden
utilizar como alternativa a las pruebas de liberación convencionales (Yuet al.
, 2014; Zhang, Mao, 2017).
En QbD analítico, la estrategia de control se deriva de
los datos recopilados durante el desarrollo y la validación del
método, lo que permite predecir la capacidad del método para
cumplir con el perfil objetivo analítico (ATP) (Peraman,
Bhadraya, Reddy, 2015). El monitoreo continuo del
desempeño del método permite detectar, identificar y abordar
el desempeño fuera de tendencia del método analítico
(Peraman, Bhadraya, Reddy, 2015).
El enfoque QbD permite la mejora continua durante
todo el ciclo de vida de los productos farmacéuticos.
12
IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço
producto y método analítico, incluyendo reducir la
variabilidad del producto, mejorar el desempeño del
proceso, reducir resultados fuera de especificación,
mejorar el desempeño analítico, entre otros.
APLICACIONES DEL DISEÑO DE
EXPERIMENTOS EN QbD Y AQbD
El enfoque de calidad por diseño fue aceptado por la
FDA en 2004 y descrito en las 'cGMP farmacéuticas para 21calle
siglo – un enfoque basado en el riesgo”. La conferencia
internacional sobre armonización (ICH) Q8, el desarrollo
farmacéutico, la evaluación de riesgos de calidad Q9 y el sistema
de calidad farmacéutica Q10 proporcionan requisitos detallados
con respecto a la calidad de los productos farmacéuticos. Los
enfoques QbD y DoE ayudan a implementar ICH/Q8 e ICH/Q9.
Desde que la FDA aceptó el enfoque QbD, el DoE se ha
utilizado ampliamente para proporcionar una comprensión
completa del producto y su proceso de fabricación. En la literatura
se pueden encontrar muchas aplicaciones del DoE utilizadas con
fines de detección y optimización de productos farmacéuticos y
sus procesos de fabricación. Varios factores de entrada (variables
independientes), como concentraciones de excipientes, tiempo de
agitación, velocidad de agitación, temperatura, presión, entre
otros, se pueden detectar y optimizar utilizando DoE. Las
respuestas de salida estudiadas (variables dependientes)
incluyeron el tamaño de las partículas, la eficiencia de
atrapamiento y la tasa de disolución, entre otras. En la Tabla VII se
muestran algunos ejemplos de aplicaciones del DoE.
La aplicación de diseños de cribado en QbD farmacéutica
permite identificar los atributos críticos del material (CMA) y los
parámetros críticos del proceso (CPP) (variables independientes)
que afectan los atributos críticos de calidad (CQA) (variables
dependientes) y, por tanto, la calidad del producto objetivo. perfil
(QTPP). Además, la optimización del diseño y la metodología de
respuesta superficial y la optimización de respuestas múltiples
permiten definir una región del espacio de diseño en la que se
atienden los CQA y QTPP. La adopción de una región espacial de
diseño basada en la comprensión del producto y del proceso
permite flexibilidad regulatoria, porque los cambios dentro de la
región espacial de diseño no requieren aprobación regulatoria
previa.
Recientemente, el DoE se ha utilizado en el desarrollo
racional y la optimización de métodos analíticos. La composición
de los medios de cultivo, la composición de la fase móvil, el caudal
y el tiempo de incubación son ejemplos de factores de entrada
(variables independientes) que pueden examinarse y optimizarse
mediante el DoE. En la literatura se encontraron varias respuestas
de salida (variables dependientes), como tiempo de retención,
resolución entre picos, crecimiento microbiano, entre otras
respuestas. La Tabla VIII muestra algunas aplicaciones.
Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)

TABLA VII–Ejemplos de aplicaciones del DoE para el desarrollo farmacéutico, diseño experimental adoptado, variables independientes (factores
de entrada – X) y variables dependientes (respuestas de salida – Y)

Experimental
Variables independientes (X) Variables dependientes (Ys) Referencia
diseño

factorial fraccionado Concentración de indometacina, tipo de estabilizador, Distribución del tamaño de partículas, potencial (Vermaet al.,
diseño concentración de estabilizador, temperatura de zeta y forma física (DRX) de nanosuspensiones. 2009)
procesamiento y presión de homogeneización.

factorial fraccionado Temperatura del aire de entrada, caudal de aire y tasa de pulverización Humedad de los gránulos y flujo a través de un orificio de los (Lourençoet al.,
diseño y central del aglutinante durante la fase de pulverización gránulos obtenidos mediante granulación en lecho fluido. 2012)
diseño compuesto

factorial de 3 niveles Span 60: Relación de lauril sulfato de sodio, relación de Estabilidad, viscosidad y conductividad de la fase de (Badawi,
diseño volumen de fase orgánica: acuosa y concentración de emulsión El-Khordahui,
polímero. 2014)
Caja-Behnken Porcentaje de alginato de sodio, porcentaje de Encapsulación máxima del fármaco, tamaño de partícula y (Muftaba, Ali,
diseño quitosano y porcentaje de cloruro de calcio. liberación del fármaco de perlas de quitosanalginato de Kohli, 2014)
cefpodoxima proxetil

factorial de 2 niveles Cantidad de aceite (capmul MCM), cantidad de Tamaño de los glóbulos, duración, solubilidad en (Pund, Shete,
diseño surfactante (tween 80) y cantidad de cosolvente equilibrio del cilostazol, potencial zeta y eficiencia Jagadale, 2014)
(Transcutol HP) de disolución a 3 0 minoflípidos cilostazol
nanoemulsionante a base de

Respuesta múltiple Concentraciones de imidazol idinilurea, Pendientes de curvas microbianas de (Lourençoet al.,
mejoramiento metilparabeno, propilparabeno y EDTA en Burkholderia cepacia,P. 2015)
formulaciones cosméticas seudomonasaeruginosa, Estafilococo aureus,
Candida albicans, y Aspergillus brasiliensis
compuesto central Porcentaje de HPMC, porcentaje de glicerol y Espesor, peso, resistencia a la tracción, alargamiento de (Visseret al.,
diseño temperatura de secado. rotura, módulo de juventud y tiempo de desintegración de 2015)
películas orodispersables.

factorial de 2 niveles Temperatura de amasado, velocidad del impulsor, adición de Actividad, dureza y redondez de gránulos para (Sovanyet al.,
diseño líquido, velocidad de extrusión, velocidad del esferonizador y administración oral de lisozima. 2016)
tiempo de esferonización.

Caja-Behnken Lípido, aceite lipídico y fase surfactante. Tamaño de partícula, atrapamiento, flujo de permeación y (Gargoet al.,
diseño porcentaje de liberación de portadores lipídicos 2017)
nanoestructurados cargados con aceclofenaco

compuesto central Relación de combinación de Eudragit®FS-30D / Tamaño de microesferas, eficiencia de encapsulación de (haleset al.,
diseño Eudragit® RS-PO, concentración de PVA en la enoxaparina sódica, porcentajes liberados en 24 h en 2017)
fase externa y concentración de NaCl en la fase medios gástricos, duodenales y colónicos.
externa
factorial de 2 niveles Concentración de surfactante, proporción de lípidos sólidos/ Tamaño de partícula y distribución del tamaño de partícula de (Kovácset al.,
diseño líquidos y tiempo de ultrasonicación. portadores lipídicos nanoestructurados que contienen ácido 2017)
salicílico para uso dérmico

Caja-Behnken Cantidad de mezcla de tensioactivo/cotensioactivo, Tamaño de glóbulo, distribución de tamaño (PDI), (Nagiet al.,
diseño presión de procesamiento y número de ciclos de porcentaje de transmitancia y liberación de fármaco de 2017)
homogeneización nanoemulsión de silimarina

factorial de 2 niveles Concentraciones de etil hexiltri azona, bemotrizinol Actividad antioxidante y radiación UVA y (Pereset al.,
diseño y ácido ferúlico en protectores solares UVB. 2017)
multifuncionales

factorial de 3 niveles Poloxámero 188 y relación acetona a metanol. Tamaño de partícula y eficiencia de atrapamiento de (Raina, Kaur, Jindal,
diseño nanopartículas lipídicas sólidas cargadas con efavirenz 2017)
factorial de 3 niveles Relación aceite/surfactante/cosurfactante y Liberación in vitro del fármaco y viscosidad a pH (Chaet al.,
diseño concentración de goma gellan fisiológico de una microemulsión de lorazepam por 2017)
vía intranasal.

factorial de 2 niveles Temperatura de hidratación, velocidad de agitación y tiempo Índice de polidispersidad de micelas poliméricas (Valenzuela-Osés
diseño de agitación. cargadas de miltefosina. et al., 2017)

Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006 13

 IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço

TABLA VIII–Ejemplos de aplicaciones del DoE para el desarrollo de métodos analíticos, diseño experimental adoptado, variables independientes
(factores de entrada – X) y variables dependientes (respuestas de salida – Y)

Experimental
Variables independientes (X) Variables dependientes (Ys) Referencia
diseño

factorial fraccionado Composiciones de los medios de cultivo (peptona, Crecimiento microbiano deEscherichia coli (Franciscoet al.,
diseño y central extracto de levadura, extracto de carne y dextrosa), 2014)
diseño compuesto proporción de inóculo, concentración de
trifeniltetrazolio y concentración de neomicina.

factorial de 2 niveles Microorganismo, medios de cultivo, volumen de medio Tamaños de las zonas de inhibición (Saviano, Francisco,
diseño y central de cultivo sembrado, proporción de inóculo y Lourenço, 2014)
diseño compuesto concentración de linezolid.

compuesto central pH, temperatura, caudal y pendiente de gradiente Tiempo de retención, eficiencia y consumo de (Bousseset al.,
diseño solvente en estabilidad que indican el método 2015)
UHPLC
Caja-Behnken Contenido de acetonitrilo en la fase móvil, pH de la fase Tiempo de retención de exo-iohexol, endo-iohexol y sus (jovanovicet al.,
diseño acuosa y concentración de acetato de amonio en la fase compuestos relacionados (A, B y C) mediante el método 2015)
acuosa. de cromatografía líquida

factorial de 2 niveles Tiempo de incubación (después de la adición del reactivo Liberación de p-nitroanilina durante ensayos LAL (Ostronov,
diseño y central LAL y después de la adición de la solución de sustrato), cromogénicos. Lourenço, 2015)
diseño compuesto volumen de muestra y volumen de reactivo LAL

factorial fraccionado Composiciones de los medios de cultivo (peptona, Crecimiento microbiano deEstafilococo aureus (savianoet al.,
diseño y central extracto de levadura, extracto de carne, dextrosa y 2015)
diseño compuesto cloruro de sodio), proporción de inóculo y
concentración de trifeniltetrazolio.

factorial de 2 niveles Composición de los medios de cultivo (extracto Tiempo de incubación y crecimiento microbiano de (Franciscoet al.,
diseño y central de levadura, dextrosa, extracto de carne y Estafilococo aureus 2016)
diseño compuesto peptona), concentración de trifeniltetrazolio y
proporción de inóculo.
compuesto central Concentración de trifeniltetrazolio, tiempo de Absorbancia del crecimiento microbiano deCandida (Jamilet al., 2
diseño incubación, concentración de nistatina y proporción albicans 016)
de inóculo

factorial de 3 niveles Concentración de hidróxido de tetrabutil amonio, pH Factor de capacidad del nitrato de eberconazol (método (Krishnaet al.,
diseño del tampón y concentración de la fase orgánica HPLC de fase inversa) 2016)
compuesto central Concentración de ciclodextrina, pH y voltaje. Resolución entre picos y tiempo de análisis de una (Orlandiniet al.,
diseño cromatografía electrocinética micelar modificada 2016)
con clicodextrina.

Caja-Behnken Contenido de acetonitrilo en la fase móvil, Factor de retención de impurezas y selectividad del (Terzicet al.,
diseño concentración de acetato de amonio en la fase par crítico de pe l en bilastina y su determinación de 2016)
acuosa y pH de la fase acuosa. impurezas de degradación por método de
cromatografía líquida.

Tapeta-birmano Temperatura, pH, concentración de tampón y Absorancia a 450 nm, utilizada para el método de actividad (Yaoet al.,
diseño concentración de L-asparaginasa. de L-asparaginasa 2016)
factorial fraccionado Tiempo de disolución, volumen de medios de Cantidad de paracetamol disuelto durante (Romero, Lourenço,
diseño disolución, pH de los medios de disolución y velocidad 2017)
de rotación.

como ejemplos recientes de la utilización de DoE en el
desarrollo y optimización de métodos analíticos.
Las herramientas DoE ayudan a identificar y explicar
cómo los parámetros analíticos críticos (CAP) (variables
independientes) afectan las características de rendimiento del
método analítico (AMPC) (variables dependientes) y, por lo
tanto, el perfil objetivo analítico (ATP). Se puede definir MODR
basado en los resultados del Departamento de Energía. Trabajar dentro de
MODR no se consideraría un cambio y, en consecuencia, no requiere
revalidación del método. Recientemente, la FDA aprobó la solicitud de un
nuevo medicamento basado en QbD analítico. La implementación de AQbD
proporciona métodos analíticos sólidos, que desempeñan un papel
importante en el desarrollo de productos farmacéuticos. En 2013, la FDA y
la EMA iniciaron un programa de investigación conjunto.

14 Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006

Diseño de Experimentos (DoE) aplicados a la Calidad Farmacéutica y Analítica por Diseño (QbD)
sobre el concepto AQbD. El objetivo es definir protocolos para la
transferencia de métodos, metodología para la validación de
MODR y definir criterios de revisión para la evaluación de
métodos analíticos basados en QbD. Además, el Foro USP ha
publicado artículos de estímulo relacionados con la aplicación de
los conceptos AQbD.
Los desafíos para la implementación de QbD y AQbD
incluyen la armonización de terminologías y conceptos, la
capacitación y educación de recursos humanos para industrias
y agencias reguladoras, y la necesidad de pautas con respecto
a la documentación del conocimiento generado durante el
desarrollo farmacéutico y/o de métodos.
AGRADECIMIENTOS
Este trabajo contó con el apoyo de la FAPESP –
Fundação de Amparo à Pesquisa do Estado de São
Paulo (São Paulo, Brasil) y el CNPq – Conselho Nacional
de Desenvolvimento Científico e Tecnológico (Brasília,
Brasil).
REFERENCIAS
Badawi MA, El-Khordagui LK. Un enfoque de calidad por diseño para la
optimización de emulsiones para electrohilado utilizando diseños
factoriales y D-óptimo. Eur J Pharm Ciencias.2014;58:44-54.
Bezerra MA, Santelli RE, Oliveira EP, Villar LS, Escaleira LA. Metodología
de superficie de respuesta (RSM) como herramienta de optimización
en química analítica. Talanta. 2008;76(5):965-977.
Bhutani H, Kurmi M, Singh S, Beg S, Singh B. Calidad por diseño (QbD) en
ciencias analíticas: una descripción general. Tiempos farmacéuticos.
2014;46(8):71-75.
Bousses C, Ferey L, Vedrines E, Gaudin K. Uso de una combinación
innovadora de enfoques de química analítica ecológica y calidad
por diseño para el desarrollo de un método UHPLC indicador de
estabilidad en productos farmacéuticos. J Pharm Biomed Anal.
2015;115:114-112.
Candioti LV, De Zan MM, Cámara MS, Goichoechea HC. Diseño
experimental y optimización de respuestas múltiples. Utilización
de la función de deseabilidad en el desarrollo de métodos
analíticos. Talanta. 2014;124:123-138.
Francisco FL, Saviano AM, Pinto TJA, Lourenço FR. Espacio de diseño de un
bioensayo colorimétrico rápido en microplacas para bacitración utilizando
metodología de superficie de respuesta (RSM). Química anal actual.
2016;12(6):620-627.
Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006
Francisco FL, Saviano AM, Pinto TJA, Lourenço FR. Desarrollo,
optimización y validación de un bioensayo colorimétrico rápido en
microplacas para sulfato de neomicina en productos
farmacéuticos. J Métodos de microbiol. 2014;103:104-111.
Garg NK, Sharma G, Singh B, Nirbhavane P, Tyagi RK, Shukla R, Katare
OP. Desarrollo habilitado por calidad por diseño (QbD) de portadores
de lípidos nanoestructurados (NLC) cargados con aceclofenaco: un
perfil dermatocinético mejorado para trastornos inflamatorios. Int J
Pharm.2017;517(1-2):413-431.
Hales D, Vlase L, Porav SA, Bodoki A, Barbu-Tudoran L, Achim M,
Tomula I. Un estudio de calidad por diseño (QbD) sobre microesferas
poliméricas cargadas de enoxaparina sódica para administración
específica del colon. Eur J Pharm Ciencias.2017;100:249-261.
Jamil CRP, Lourenço FR, Ghisleni DDM, Pinto TJA. Desarrollo y
validación de un bioensayo en microplacas para nistatina
utilizando un enfoque de calidad analítica por diseño (QbD).
Lat Am J Pharm. 2016;35(8):1871-1876.
Jovanovic M, Rakic T, Tumpa A, Stojanovic BJ. Enfoque de calidad
por diseño en el desarrollo del método de cromatografía líquida
de interacción hidrofílica para el análisis de iohexol y sus
impurezas. J Pharm Biomed Anal. 2015;110:42-48.
Kovács A, Berkó S, Csányi E, Csóka I. Desarrollo de transportadores de
lípidos nanoestructurados que contienen ácido salicílico para uso dérmico
basado en el método de calidad por diseño. Eur J Pharm Ciencias.
2017;99:246-257.
Krishna MV, Dash RN, Reddy BJ, Venugopal P, Sandeep P, Madhavi
G. Enfoque de calidad por diseño (QbD) para desarrollar el
método HPLC para nitrato de eberconazol: aplicación a la cinética
de degradación hidrolítica, térmica, oxidativa y fotolítica. J Saudi
Chem Soc.2016;20(Suplemento 1):S313-S322.
Lourenço FR, Francisco FL, Ferreira MRS, Pinto TJA, Bou-Chacra NA.
Enfoque espacial de diseño para la optimización del sistema
conservante de una emulsión fluida ocular antienvejecimiento. J
Pharm Pharm Ciencias. 2015;18(2):551-561.
Lourenço V, Lochmann D, Reich G, Menezes JC, Herdling T,
Schewitz J. Un estudio de calidad por diseño aplicado a una
granulación de lecho fluido farmacéutico industrial. Eur J Pharm
Bio. 2012;81(2):438-447.
Muftaba A, Ali M, Kohli K. Formulación de perlas de alginato de quitosano y
cefpodoxima proxetil de liberación prolongada utilizando un enfoque de
calidad por diseño. Int J Bio Macromol. 2014;69:420-429.
15
 Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de Atribución Creative Commons.
Nagi A, Iqbal B, Kumar S, Sharma S, Ali J, Baboota S. Nanoemulsión de
silimarina basada en calidad por diseño para mejorar la
biodisponibilidad oral. J Drug Del Sci Technol. 2017;40:35-44.
Orlandini S, Paquini B, Caprini C, Del Bubba M, Dousa M, Pinzauti
S, Furlanetto S. Enantioseparación y determinación de impurezas
de ambrisentan mediante cromatografía electrocinética micelar
modificada con ciclodextrina: visualización del espacio de diseño
dentro del marco de calidad por diseño. J cromatógrafo A.
2016;1467:363-371.
Ostronoff CS, Lourenço FR. Incertidumbre de la medición de los
ensayos de LAL cromogénicos: el tiempo de reacción y la proporción
de endotoxina y reactivo LAL afectan la liberación de p-nitroanilina.
JAOAC Int. 2015;98(1):51-55.
Peraman R, Bhadraya K, Reddy YP. Calidad analítica por diseño:
una herramienta para la flexibilidad regulatoria y análisis sólidos.
Int J Anal Chem.2015;2015:1-9.
Peres DDA, Ariede MB, Candido TM, Almeida TS, Lourenço FR,
Consiglieri VO, Kaneko TM, Velasco MVR, Baby AR. Calidad por
diseño (QbD), tecnología analítica de procesos (PAT) y diseño
de experimentos aplicados al desarrollo de protectores
solares multifuncionales. Desarrollo de fármacos Ind Pharm.
2017;43(2):246-256.
Politis SN, Colombo P, Colombo G, Rekkas DM. Diseño de
experimentos (DoE) en el desarrollo farmacéutico. Desarrollo de
medicamentos Ind Pharm.2017;43(6):889-901.
Pund S, Shete Y, Jagadale S. Análisis multivariado de las
características fisicoquímicas del cilostazol nanoemulsionante a
base de lípidos: calidad por diseño. Coloides Surf B Biointerfaces.
2014;115:29-36.
Raina H, Kaur S, Jindal AB. Desarrollo de nanopartículas lipídicas
sólidas cargadas con efavirenz: evaluación de riesgos,
optimización basada en calidad por diseño (QbD) y caracterización
fisicoquímica. J Drug Del Sci Technol.2017;39:180-191.
Romero DC, Lourenço FR. Incertidumbre de medición de la prueba
de disolución de tabletas de liberación inmediata de paracetamol
mediante simulaciones de Monte Carlo. Braz J Pharm Ciencias.
2017;53(3):e00163.
Sangshetti JN, Deshpande M, Zaherr Z, Shinde DB, Arote R. Enfoque de
calidad por diseño: necesidad regulatoria. Árabe J Chem.
2017;10(Suplemento 2):S3412-S3425.
SavianoAM, Francisco FL, Lourenço FR. Desarrollo racional y
validación de un nuevo ensayo microbiológico para linezolid y su
incertidumbre de medición. Talanta. 2014;127:225-229.
dieciséis
IM Fukuda, CFF Pinto, CS Moreira, AM Saviano, FR Lourenço
Saviano AM, Francisco FL, Ostronoff CS, Lourenço FR. Desarrollo,
optimización y validación de un bioensayo en microplacas para la
determinación de la potencia relativa de linezolid utilizando un
concepto de espacio de diseño y su incertidumbre de medición. JAOAC
Int. 2015;98(5):1267-1275.
Shah V, Sharma M, Pandya R, Parikh RK, Bharatiya B, Shukla A,
Tsai HC. Enfoque de calidad por diseño para una microemulsión
gelificante in situ de lorazepam por vía intranasal. Mat Sci Enginn
C. 2017;75:1231-1241.
Sovàny T, Csordás K, Kelemen A, Regdon Jr G, Pintye-Hódi K. Desarrollo
de gránulos para la administración oral de lisozima mediante el uso de
un enfoque de calidad por diseño. Diseño de Chem Engin Res.
2016;106:92-100.
Terzic J, Popovic I, Stajic A, Tumpa A, Jancic-Stojanovic B. Aplicación de
la calidad analítica mediante el concepto de diseño de bilastina y la
determinación de sus impurezas de degradación mediante el método
de cromatografía líquida de interacción hidrófila. J Pharm Biomed
Anal. 2016;125:385-393.
Valenzuela-Oses JK, García MC, Feitosa VA, Pachioni-
Vasconcelos JA, Gomes-Filho SM, Lourenço FR, Cerize NNP,
Bassères DS, Rangel-Yagui CO. Desarrollo y caracterización de
micelas poliméricas cargadas de miltefosina para el
tratamiento del cáncer. Mater Sci Eng C. 2017;81:327-333.
Verma S, Lan Y, Golhale R, Burgess DJ. Enfoque de calidad por
diseño para comprender el proceso de preparación de
nanosuspensiones. Int J Pharm.2009;377(1-2):185-198.
Visser JC, Dohmen WMC, Hinrichs WLJ, Breitkreutz J, Frijlink HW,
Woerdenbag HJ. Enfoque de calidad por diseño para optimizar la
formulación y las propiedades físicas de películas bucodispersables
preparadas extemporáneamente. Int J Pharm.2015;485(1-2):70-76.
Yao H, Vancoillie J, D'hondt M, Wynendaele E, Bracke N, De
Spiegeller B. Un enfoque de calidad analítica por diseño (aQbD)
para un método de actividad de L-asparaginasa. J Pharm Biomed
Anal. 2016;117:232-239.
Yu LX, Amidon G, Khan MA, Hoag SW, Polli J, Raju GK,
Woodcock J. Comprender la calidad farmacéutica mediante el
diseño. AAPS J.2014;16(4):771-783.
Zhang L, Mao S. Aplicación de la calidad por diseño en el desarrollo de
fármacos actual. Ciencia asiática de J Pharm. 2017;12(1):1-8.
Braz. J. Farmacéutica. Ciencia. 2018;54(Especial):e01006