Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diferentes Diseños - En.es
Diferentes Diseños - En.es
com
Revisar
Revista Brasileña de
Ciencias farmacéuticas
http://dx.doi.org/10.1590/s2175-97902018000001006
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).
Sin embargo, muchas veces los problemas para resultados, para lograr un alto grado de solidez y un
lograr el rendimiento “seis sigma” requerido no se deben a método analítico rentable (Peraman, Bhadraya, Reddy,
problemas de fabricación, sino a la falta de robustez y 2015; Bhutaniet al., 2014).
confiabilidad de los métodos analíticos. Varios autores
describieron la aplicación de los conceptos QbD en el Establecimiento del perfil de producto objetivo de
desarrollo de métodos analíticos (Peraman, Bhadraya, calidad (QTPP)/perfil objetivo analítico (ATP)
Reddy, 2015; Bhutaniet al., 2014). Analytical QbD es útil en
el desarrollo y optimización de métodos analíticos sólidos y El perfil de producto objetivo de calidad (QTPP) es un
rentables. La implementación de QbD analítico resumen de las características de calidad del producto
proporciona una mejor solución para los resultados de farmacéutico que deben lograrse para garantizar la seguridad y
OOS y también reduce el riesgo de falla del método. eficacia. En otras palabras, QTPP consiste en la definición de
Tradicionalmente, el desarrollo y optimización de expectativas en el producto farmacéutico final (Sangshettiet al.,
productos farmacéuticos y métodos analíticos se ha realizado 2017; Yu et al., 2014). Las consideraciones para QTPP deben incluir
analizando un factor a la vez (enfoque OFAT) (Bezerray otros, el uso previsto en el entorno clínico, la vía de administración, la
2008; Candiotiet al., 2014; politiset al., 2017). Uno de los forma farmacéutica, el sistema de administración, la dosis, el
factores cambia dentro de un rango (o niveles) apropiado, sistema de cierre del recipiente, los factores que afectan las
mientras que los demás se mantienen constantes. Además de propiedades farmacocinéticas y los criterios de calidad del
demandar un elevado número de experimentos, el enfoque producto (como esterilidad, pureza, estabilidad, entre otros)
OFAT no permite evaluar la existencia de interacción entre los ( Sangshettiet al., 2017; Zhao, Mao, 2017; Yuet al., 2014).
factores, lo que puede llevar a una conducción inadecuada del La Calidad Analítica por Diseño (AQbD) comienza con
desarrollo y optimización (Bezerray otros,2008; Candiotiet al., la definición del Perfil Analítico Objetivo (ATP). ATP define
2014; politiset al., 2017). Para superar estas limitaciones, el el objetivo del método analítico, que impulsará las
diseño de experimentos (DoE) puede proporcionar mejores actividades de selección, diseño y desarrollo del método
resultados con un número reducido de experimentos. DoE es (Peraman, Bhadraya, Reddy, 2015; Bhutaniet al., 2014). En
un conjunto de herramientas estadísticas que incluyen otras palabras, el ATP es una declaración de lo que se debe
diseños de detección; y diseños de optimización (Bezerray medir (por ejemplo, ingrediente farmacéutico activo).
otros,2008; Candiotiet al., 2014; politiset al., 2017). – API), en qué se debe medir (por ejemplo, en forma
farmacéutica) y por qué/cuándo se debe medir (por ejemplo,
DoE es el componente principal de QbD farmacéutico y durante el estudio de estabilidad). En la definición de ATP se
analítico. Por lo tanto, el presente artículo proporciona debe establecer un nivel requerido de confianza
consideraciones teóricas y prácticas para la implementación (incertidumbre en la medición del objetivo, generalmente
del Diseño de Experimentos (DoE) en Calidad por Diseño estimada a partir de la exactitud y precisión) para garantizar la
(QbD) farmacéutica y/o analítica. calidad de los resultados analíticos (Butaniet al., 2014).
Parece obvio que los principales objetivos de un nuevo
PASOS DE LA CALIDAD FARMACÉUTICA POR producto o método deben definirse antes de su desarrollo. Sin
DISEÑO Y LA CALIDAD ANALÍTICA POR embargo, a lo largo de los años, este enfoque rara vez se ha
DISEÑO adoptado. Un QTPP (o ATP) bien definido evita la pérdida de
tiempo y recursos. (Yuet al., 2014)
QbD comprende todos los elementos del desarrollo
farmacéutico, lo que permitirá diseñar un producto de calidad Identificación de atributos críticos de calidad (CQA)/
y su proceso de fabricación para ofrecer consistentemente el características de rendimiento del método analítico
desempeño previsto en cuanto a su seguridad y eficacia. (AMPC)
Utilizando el enfoque QbD, el desarrollo farmacéutico
proporcionará una comprensión completa del producto y su La identificación de atributos críticos de calidad (CQA) es el
proceso de fabricación (Sangshettiet al., 2017; Zhao, Mao, siguiente paso en QbD farmacéutico. CQA son propiedades o
2017; Yuet al., 2014). características químicas, físicas, biológicas o microbiológicas de un
Los métodos analíticos se consideran una parte integral del producto farmacéutico (en proceso o terminado) que deben estar
desarrollo farmacéutico (Butaniet al., 2014). Por lo tanto, la dentro de las especificaciones apropiadas para garantizar la calidad. El
aplicación del enfoque QbD al desarrollo de métodos analíticos es CQA puede incluir identidad, ensayo, contenido, uniformidad,
justificable y una estrategia recomendada para lograr flexibilidad degradación, productos, disolventes residuales, liberación o disolución
regulatoria y reducir la falta de especificación. del fármaco, contenido de humedad, límites microbianos,
y propiedades físicas como color, forma, tamaño y friabilidad las relaciones entre CMA, CPA, CQA, Design Space y
(Sangshettiet al., 2017; Zhang, Mao, 2017). Los CQA QTPP. Además, los pasos para la implementación de
potenciales derivados de QTPP se utilizan para guiar el QbD analítico se muestran en la Figura 1b, incluidas las
desarrollo de productos y procesos. Por lo tanto, los atributos relaciones entre CAP, AMPC, MODR y ATP.
críticos del material (CMA) y los parámetros críticos del
proceso (CPP) también pueden identificarse para lograr CQA y Evaluación de riesgos
QTPP, en consecuencia (Yuet al., 2014).
Los atributos críticos del material (CMA) consisten en La evaluación de riesgos es un proceso sistemático de
propiedades físicas, químicas, biológicas o microbiológicas organización de la información del conocimiento para respaldar las
que el material de entrada debe cumplir para garantizar el decisiones. Hay tres elementos esenciales en la evaluación de riesgos:
CQA deseado. Por otro lado, los Parámetros Críticos de a) identificación de riesgos: uso sistemático de información para
Proceso (CPP) son parámetros del proceso como tiempo de identificar fuentes potenciales de peligro a partir de datos históricos,
mezclado, velocidad de agitación, temperatura, flujo de aire, análisis teóricos y preocupaciones de las partes interesadas; b) análisis
entre otros que deben ser monitoreados antes o durante el de riesgos: la estimación del riesgo asociado con los peligros
proceso para asegurar el CQA deseado. (Zhao, Mao, 2017) identificados; yc) evaluación de riesgos: comparación de los riesgos
Las características de rendimiento del método estimados utilizando escala cuantitativa o cualitativa para determinar
analítico (AMPC) se definen para satisfacer las necesidades su importancia.
de ATP. AMPC se puede clasificar en dos categorías, según El diagrama de Ishikawa (espina de pescado) y el análisis
la fuente de error: a) variabilidad (sesgo) sistemática, que modal de fallas y efectos (FMEA) son herramientas de evaluación
incluye precisión, especificidad y linealidad; y b) de riesgos ampliamente utilizadas. El diagrama de Ishikawa es
variabilidad aleatoria (aleatorizada), que incluye precisión, una herramienta de evaluación de riesgos cualitativa que permite
límite de detección y límite de cuantificación. Además, el identificar y clasificar en categorías amplias las principales fuentes
alcance y la robustez también pueden incluirse en la de peligros. En otras palabras, esto ayuda a responder la
definición de AMPC. Siempre se recomienda incorporar un pregunta "¿Qué podría estar mal?". El método FMEA se utiliza a
criterio conjunto de características del método (al menos, menudo para realizar una evaluación de riesgos cuantitativa, que
exactitud y precisión) en ATP. La selección de la técnica proporciona un número de prioridad de riesgo (RPN = P x S x D)
analítica (como ensayos cromatográficos, estimado en función de la probabilidad de ocurrencia (P), la
espectrofotométricos o microbiológicos) debe estar gravedad (S) y la probabilidad de detección (D). FMEA permite
determinada por las definiciones de ATP y AMPC. responder a las preguntas "¿Cuál es la probabilidad de que esté
(Peraman, Bhadraya, Reddy, 2015; Butaniet al., 2014) mal?" y “¿Cuáles son las consecuencias (gravedad)?” (Sangshettiet
En la Figura 1a se muestra un diagrama esquemático de los al., 2017; Zhao, Mao, 2017; Peraman, Bhadraya, Reddy, 2015;
pasos para la implementación de QbD farmacéutico, que incluye 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.
DISEÑO DE EXPERIMENTOS (DoE) Los diseños factoriales completos de dos niveles son los
diseños de selección más poderosos, una vez que permiten estimar los
DoE es un método estructurado y organizado para efectos principales de los factores de entrada y sus interacciones en
determinar las relaciones entre factores de entrada (Xi– las respuestas de salida. Las principales limitaciones de los diseños
variables independientes) que afectan una o más factoriales completos de dos niveles se basan en la gran cantidad de
respuestas de salida (y–variables dependientes), mediante experimentos necesarios, en comparación con los diseños factoriales
el establecimiento de modelos matemáticos (y=F(Xi)). fraccionados y los diseños de Plackett-Burman. El número de
En el enfoque DoE, los factores de entrada controlados experimentos necesarios para diseños factoriales completos de dos
varían sistemáticamente para determinar sus efectos en las niveles se puede calcular como 2k, dóndekes el número de factores de
respuestas de salida, lo que permite determinar los factores entrada a estudiar (Bezerray otros,2008; Candiotiet al., 2014; politiset
de entrada más importantes, identificar los factores de al., 2017). En la Tabla II se presenta una matriz de diseños factoriales
entrada que conducen a respuestas de salida optimizadas y completos de dos niveles para 2, 3 y 4 factores de entrada.
dilucidar las interacciones entre las entradas. factores.
Los diseños factoriales fraccionados son uno de los más
Selección del diseño experimental. utilizados con fines de selección, porque estos diseños permiten la
evaluación de una gran cantidad de factores de entrada con un
La selección del mejor diseño experimental debe número reducido de experimentos requeridos (Bezerray otros,
considerar varios aspectos, como los objetivos definidos, el 2008; Candiotiet al., 2014; politiset al., 2017). Esto se puede lograr
número de factores de entrada e interacciones a estudiar, y la fraccionando un factorial completo 2kdiseñar en un 2k-pdiseño,
validez estadística y eficacia de cada diseño. Para comprender dondepages el número de generadores elegidos para fraccionar
mejor la aplicación del DoE, los diseños experimentales se pueden el diseño (Figura 2). Por ejemplo, al examinar cuatro factores de
dividir en dos tipos: a) diseños de selección; y b) diseños de entrada, un diseño factorial de media fracción (24-1= 8
optimización (Bezerray otros,2008; Candioti et al., 2014; politiset experimentos) pueden adoptarse. Un diseño factorial de cuarto de
al., 2017). La Tabla I proporciona un resumen de las características fracción (25–2= 8 experimentos) se puede adoptar para estudiar
de los diseños de selección y optimización, como la cantidad de cinco factores de entrada, con el mismo número de experimentos.
experimentos requeridos, la cantidad de niveles de factores de
entrada y la cantidad de factores a estudiar. Sin embargo, se debe prestar atención a la estimación de los
efectos principales y los efectos de interacción utilizando diseños
Diseños de cribado factoriales fraccionados, porque algunos de ellos tienen alias (o
Los diseños factoriales completos de dos niveles, los aturdido). Por ejemplo, usando un 23-1 fraccionar
III
diseños factoriales fraccionados y los diseños de Placket-Burman En el diseño factorial, el efecto principal de X3 tiene un
son los diseños de detección más utilizados debido a sus ventajas alias con la interacción de X1 y X2 (Figura 3). Al adoptar
rentables. Estos diseños experimentales permiten estudiar una un 24-1 IVdiseño factorial fraccionado, el efecto principal de X4 tiene un alias
amplia cantidad de factores de entrada con un número reducido con 3terceroInteracción de orden de X1, X2 y X3. En diseños factoriales
de experimentos. Sin embargo, también tienen algunas fraccionados con resolución III, los efectos principales tienen alias con 2
limitaciones que deben considerarse para proporcionar una mejor Dakota del Norteordenar las interacciones. Cuando se utilizan diseños de
comprensión de los efectos de los factores de entrada en las resolución IV, los efectos principales tienen un alias de 3terceroordenar
respuestas de salida (Bezerray otros,2008; Candiotiet al., 2014; interacciones y 2Dakota del Nortelas interacciones de orden tienen un alias con 2
politiset al., 2017). Dakota del Norteordenar las interacciones. Adopción de resolución
TABLA I–Resumen de las características de los diseños de detección y optimización, número de experimentos, niveles y factores.
TABLA II–Matriz de diseños factoriales completos de dos niveles para dos (22), tres (23), y cuatro (24) factores de entrada (X1 a X4)
# 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 En la Tabla IV se proporciona un ejemplo de una matriz de diseño de
interacciones y 2Dakota del Nortelas interacciones de orden tienen un Plackett-Burman utilizada para estudiar 11 factores de entrada con 12
alias con 3terceroordenar las interacciones. Por tanto, los diseños experimentos.
factoriales fraccionados pueden no ser adecuados para evaluar las Los diseños de selección se utilizan a menudo en el primer
interacciones entre factores. La resolución de los diseños paso del DoE para seleccionar los factores de entrada más
factoriales fraccionados se define según la selección de importantes y descartar los insignificantes. Los diagramas de Pareto
generadores. En la Tabla III se presenta un resumen de la matriz son herramientas útiles para lograr este propósito (Figura 3), porque
de diseños fraccionados. permiten ordenar los factores de entrada (y sus interacciones) en
Los diseños de Plackett-Burman son tipos especiales de orden de importancia. Por ejemplo, según el diagrama de Pareto
diseños factoriales fraccionados de dos niveles (resolución III), presentado en la Figura 2a, concluimos que el factor de entrada X1 es
que permiten estudiar hasta N-1 factores de entrada con N el más importante, seguido de los factores X3 y X2, respectivamente.
experimentos (N debe ser múltiplo de 4) (Bezerray otros,2008; Cuando se adopta un diseño factorial fraccionado, se debe prestar
Candiotiet al., 2014; politiset al., 2017). Un atención al análisis del diagrama de Pareto. En otras palabras,
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)
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
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)
# 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.
Los diseños de Box-Behnken son tipos especiales de diseños La superficie de respuesta obtenida utilizando una función
factoriales fraccionados de tres niveles, que permiten modelar 1calle lineal + interacción + cuadrática se presenta en la Figura 6d.
y 2Dakota del Nortesuperficies de respuesta de orden. Estos diseños son más El modelo matemático debe seleccionarse basándose
rentables que los diseños factoriales completos de tres niveles, en la aplicación del Análisis de Varianza (ANOVA). La idea
particularmente para una gran cantidad de factores de entrada principal de ANOVA es comparar la variabilidad debida al
(Bezerra y otros,2008; Candiotiet al., 2014; politiset al., 2017). Podemos tratamiento (variando el nivel de los factores de entrada) con
ver que todos los puntos utilizados en los diseños Box-Behnken la variabilidad debida al error residual. A partir de esta
(Figura 5c) fueron seleccionados de los 33diseño factorial completo comparación, es posible evaluar la significancia del modelo de
(Figura 5a). La matriz Box-Behnken también se proporcionó en la Tabla regresión (Tabla VI). El análisis de regresión es válido sólo si
V. los residuos (cuadrado de la diferencia entre la respuesta
El modelo más simple que se puede ajustar se basa en una predicha por el modelo matemático y la respuesta
función lineal. Este modelo puede ajustarse con base en los experimental) presentan distribución normal y
resultados obtenidos de al menos un diseño factorial fraccionado homocedasticidad. Cuando sea necesario, se puede utilizar
(resolución IV o superior), si las respuestas de salida se ajustan una transformación Box-Cox (por ejemplo, transformación ln -
bien a la Ecuación 1. λ = 0) de la respuesta de salida para mejorar la normalidad y la
homocedasticidad de los residuos. (Bezerray otros,2008;
(1) candiotiet al., 2014; politiset al., 2017).
Según ANOVA, podemos decidir incluir o excluir los
Por lo tanto, la respuesta de salida debe tener una superficie coeficientes de términos lineales (por ejemplo, X1, X2 y X3),
de respuesta lineal, como se presenta en la Figura 6a. términos de interacción (por ejemplo, X1X2, X1X3 y X2X3) y
Para evaluar las interacciones entre los factores de entrada, términos cuadráticos (por ejemplo, X12, X22y X32). Esta decisión
se debe adoptar al menos un diseño factorial completo de dos se basa en los valores p para cada término de regresión de
niveles. El modelo se puede ajustar basándose en una función de coeficientes. Por lo general, se debe incluir un término de
interacción lineal +, si la respuesta de salida se ajusta bien a la regresión de coeficientes en el modelo de regresión cuando
Ecuación 2. su valor p es inferior a 0,05. En otras palabras, cuando el
término de regresión del coeficiente es significativamente
(2) diferente de 0. Cuando el término del coeficiente de regresión no es
diferente de 0 (valor p > 0,05), indica que la respuesta de salida no
La superficie de respuesta obtenida utilizando una función se ve afectada al variar los niveles de los factores de entrada. Por
de interacción lineal + se presenta en la Figura 6b. tanto, este término de regresión de coeficientes puede excluirse
La principal ventaja de los diseños de optimización reside en la del modelo de regresión.
posibilidad de modelar 2Dakota del Nortesuperficies de respuesta de orden, El ajuste del modelo de regresión múltiple debe evaluarse
porque tienen de 3 a 5 niveles para cada factor de entrada. En otras en función de los coeficientes de determinación (R2, r.2-adj y R2
palabras, estos diseños permiten evaluar la curvatura de la superficie -pred). Coeficiente de determinación (R2) es la proporción de la
de respuesta. El modelo se puede ajustar basándose en una función varianza en la respuesta de salida que se predice a partir de los
lineal + cuadrática, si la respuesta de salida se ajusta bien a la Ecuación factores de entrada. En otras palabras, qué parte de la respuesta
3. de producción (Y) se explica por los factores de entrada (Xs). Sin
embargo, R.2siempre aumentará agregando nuevos
(3) términos del modelo de regresión. Por lo tanto, no es una buena
manera de comparar modelos de regresión con diferente número
Por lo tanto, la respuesta de salida debe tener una superficie de de términos (por ejemplo, comparar un modelo lineal con un
respuesta de curvatura, debido a la presencia de términos cuadráticos en el modelo completo). La R ajustada2(R2-adj) es una versión
modelo de regresión. La superficie de respuesta obtenida utilizando una modificada de R2que se ajusta por el número de términos en el
función lineal + cuadrática se presenta en la Figura 6c. modelo de regresión. El r2-adj aumenta sólo si el nuevo término
Finalmente, puede ser necesario adoptar un modelo completo, mejora el modelo de regresión. En cambio, disminuye cuando el
con términos lineales + de interacción + cuadráticos. El modelo se término no mejora el modelo de regresión. Así, R2-adj permite
puede ajustar basándose en una función de modelo completa, si la comparar el poder explicativo de modelos de regresión que
respuesta de salida se ajusta bien a la Ecuación 4. contienen diferente número de términos. R predictivo2(R2-pred)
indica qué tan bien una regresión
(4) el modelo predice las respuestas de salida para nuevas observaciones.
R2-pred se calcula eliminando sistemáticamente cada
observación del conjunto de datos, estimando la ecuación de (Tabla VI). El modelo de regresión está mal ajustado cuando el error
regresión y determinando qué tan bien el modelo predice la proporcionado por la falta de ajuste del modelo de regresión es
observación eliminada. R2-adj y R2-pred son siempre inferiores significativamente mayor que el error aleatorio puro (valor de p <0,05).
a R2. Por otro lado, cuando el error proporcionado por la falta de ajuste del
Además, la variabilidad debida a la falta de ajuste del modelo modelo de regresión es significativamente menor que el error
de regresión debe compararse con la variabilidad debida al error aleatorio puro (valor p > 0,05), indica que el modelo de regresión está
aleatorio puro para evaluar el ajuste del modelo de regresión. bien ajustado. Es importante notar
FIGURA 6–Gráficos de superficie de respuesta y contadores para funciones de modelo lineal (a), lineal + interacción (b), lineal + cuadrática y completa (d).
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
Total norte–1
ese error de falta de ajuste sólo puede estimarse cuando el diseño es la combinación e interacción multidimensional de
experimental incluye réplicas, generalmente para el punto central. condiciones analíticas (factores de entrada; por ejemplo,
condiciones cromatográficas) que se ha demostrado que
proporcionan garantía de rendimiento del método
Definición del espacio de diseño (DS)/región de diseño analítico (respuesta de salida; por ejemplo, resolución
operable por método (MODR) entre picos) (Butánet al., 2014).
La región del espacio de diseño se puede obtener mediante
Design Space (DS) es una combinación e interacción optimización gráfica a partir de gráficos de contador
multidimensional de factores de entrada (normalmente CMA y superpuestos de respuestas de salida (Ys) como funciones de
CPP) que han demostrado proporcionar garantía de calidad y, factores de entrada (Xs) (Figura 7). Alternativamente, la
en consecuencia, seguridad y eficacia. Mover los factores de optimización de respuestas múltiples puede estimarse mediante
entrada dentro de las regiones espaciales de diseño no se técnicas numéricas de funciones de deseabilidad. Las funciones
considera una modificación sujeta a notificación, lo que de deseabilidad generalmente se diseñan para lograr diferentes
garantiza flexibilidad regulatoria (Yuet al., 2014). criterios, por ejemplo, maximizar, minimizar y optimizar las
En QbD analítico, Región de diseño operable por respuestas de salida (Figura 8) (Candiotiet al., 2014).
método (MODR) (también llamada espacio de diseño analítico)
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.
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)
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 basado en los resultados del Departamento de Energía. Trabajar dentro de
desarrollo y optimización de métodos analíticos. MODR no se consideraría un cambio y, en consecuencia, no requiere
Las herramientas DoE ayudan a identificar y explicar revalidación del método. Recientemente, la FDA aprobó la solicitud de un
cómo los parámetros analíticos críticos (CAP) (variables nuevo medicamento basado en QbD analítico. La implementación de AQbD
independientes) afectan las características de rendimiento del proporciona métodos analíticos sólidos, que desempeñan un papel
método analítico (AMPC) (variables dependientes) y, por lo importante en el desarrollo de productos farmacéuticos. En 2013, la FDA y
tanto, el perfil objetivo analítico (ATP). Se puede definir MODR la EMA iniciaron un programa de investigación conjunto.
sobre el concepto AQbD. El objetivo es definir protocolos para la Francisco FL, Saviano AM, Pinto TJA, Lourenço FR. Desarrollo,
transferencia de métodos, metodología para la validación de optimización y validación de un bioensayo colorimétrico rápido en
MODR y definir criterios de revisión para la evaluación de microplacas para sulfato de neomicina en productos
métodos analíticos basados en QbD. Además, el Foro USP ha farmacéuticos. J Métodos de microbiol. 2014;103:104-111.
publicado artículos de estímulo relacionados con la aplicación de
los conceptos AQbD. Garg NK, Sharma G, Singh B, Nirbhavane P, Tyagi RK, Shukla R, Katare
Los desafíos para la implementación de QbD y AQbD OP. Desarrollo habilitado por calidad por diseño (QbD) de portadores
incluyen la armonización de terminologías y conceptos, la de lípidos nanoestructurados (NLC) cargados con aceclofenaco: un
capacitación y educación de recursos humanos para industrias perfil dermatocinético mejorado para trastornos inflamatorios. Int J
y agencias reguladoras, y la necesidad de pautas con respecto Pharm.2017;517(1-2):413-431.
a la documentación del conocimiento generado durante el
desarrollo farmacéutico y/o de métodos. Hales D, Vlase L, Porav SA, Bodoki A, Barbu-Tudoran L, Achim M,
Tomula I. Un estudio de calidad por diseño (QbD) sobre microesferas
AGRADECIMIENTOS poliméricas cargadas de enoxaparina sódica para administración
específica del colon. Eur J Pharm Ciencias.2017;100:249-261.
Este trabajo contó con el apoyo de la FAPESP –
Fundação de Amparo à Pesquisa do Estado de São Jamil CRP, Lourenço FR, Ghisleni DDM, Pinto TJA. Desarrollo y
Paulo (São Paulo, Brasil) y el CNPq – Conselho Nacional validación de un bioensayo en microplacas para nistatina
de Desenvolvimento Científico e Tecnológico (Brasília, utilizando un enfoque de calidad analítica por diseño (QbD).
Brasil). Lat Am J Pharm. 2016;35(8):1871-1876.
Candioti LV, De Zan MM, Cámara MS, Goichoechea HC. Diseño Lourenço V, Lochmann D, Reich G, Menezes JC, Herdling T,
experimental y optimización de respuestas múltiples. Utilización Schewitz J. Un estudio de calidad por diseño aplicado a una
de la función de deseabilidad en el desarrollo de métodos granulación de lecho fluido farmacéutico industrial. Eur J Pharm
analíticos. Talanta. 2014;124:123-138. Bio. 2012;81(2):438-447.
Francisco FL, Saviano AM, Pinto TJA, Lourenço FR. Espacio de diseño de un Muftaba A, Ali M, Kohli K. Formulación de perlas de alginato de quitosano y
bioensayo colorimétrico rápido en microplacas para bacitración utilizando cefpodoxima proxetil de liberación prolongada utilizando un enfoque de
metodología de superficie de respuesta (RSM). Química anal actual. calidad por diseño. Int J Bio Macromol. 2014;69:420-429.
2016;12(6):620-627.
Nagi A, Iqbal B, Kumar S, Sharma S, Ali J, Baboota S. Nanoemulsión de Saviano AM, Francisco FL, Ostronoff CS, Lourenço FR. Desarrollo,
silimarina basada en calidad por diseño para mejorar la optimización y validación de un bioensayo en microplacas para la
biodisponibilidad oral. J Drug Del Sci Technol. 2017;40:35-44. determinación de la potencia relativa de linezolid utilizando un
concepto de espacio de diseño y su incertidumbre de medición. JAOAC
Orlandini S, Paquini B, Caprini C, Del Bubba M, Dousa M, Pinzauti Int. 2015;98(5):1267-1275.
S, Furlanetto S. Enantioseparación y determinación de impurezas
de ambrisentan mediante cromatografía electrocinética micelar Shah V, Sharma M, Pandya R, Parikh RK, Bharatiya B, Shukla A,
modificada con ciclodextrina: visualización del espacio de diseño Tsai HC. Enfoque de calidad por diseño para una microemulsión
dentro del marco de calidad por diseño. J cromatógrafo A. gelificante in situ de lorazepam por vía intranasal. Mat Sci Enginn
2016;1467:363-371. C. 2017;75:1231-1241.
Ostronoff CS, Lourenço FR. Incertidumbre de la medición de los Sovàny T, Csordás K, Kelemen A, Regdon Jr G, Pintye-Hódi K. Desarrollo
ensayos de LAL cromogénicos: el tiempo de reacción y la proporción de gránulos para la administración oral de lisozima mediante el uso de
de endotoxina y reactivo LAL afectan la liberación de p-nitroanilina. un enfoque de calidad por diseño. Diseño de Chem Engin Res.
JAOAC Int. 2015;98(1):51-55. 2016;106:92-100.
Peraman R, Bhadraya K, Reddy YP. Calidad analítica por diseño: Terzic J, Popovic I, Stajic A, Tumpa A, Jancic-Stojanovic B. Aplicación de
una herramienta para la flexibilidad regulatoria y análisis sólidos. la calidad analítica mediante el concepto de diseño de bilastina y la
Int J Anal Chem.2015;2015:1-9. determinación de sus impurezas de degradación mediante el método
de cromatografía líquida de interacción hidrófila. J Pharm Biomed
Peres DDA, Ariede MB, Candido TM, Almeida TS, Lourenço FR, Anal. 2016;125:385-393.
Consiglieri VO, Kaneko TM, Velasco MVR, Baby AR. Calidad por
diseño (QbD), tecnología analítica de procesos (PAT) y diseño Valenzuela-Oses JK, García MC, Feitosa VA, Pachioni-
de experimentos aplicados al desarrollo de protectores Vasconcelos JA, Gomes-Filho SM, Lourenço FR, Cerize NNP,
solares multifuncionales. Desarrollo de fármacos Ind Pharm. Bassères DS, Rangel-Yagui CO. Desarrollo y caracterización de
2017;43(2):246-256. micelas poliméricas cargadas de miltefosina para el
tratamiento del cáncer. Mater Sci Eng C. 2017;81:327-333.
Politis SN, Colombo P, Colombo G, Rekkas DM. Diseño de
experimentos (DoE) en el desarrollo farmacéutico. Desarrollo de Verma S, Lan Y, Golhale R, Burgess DJ. Enfoque de calidad por
medicamentos Ind Pharm.2017;43(6):889-901. diseño para comprender el proceso de preparación de
nanosuspensiones. Int J Pharm.2009;377(1-2):185-198.
Pund S, Shete Y, Jagadale S. Análisis multivariado de las
características fisicoquímicas del cilostazol nanoemulsionante a Visser JC, Dohmen WMC, Hinrichs WLJ, Breitkreutz J, Frijlink HW,
base de lípidos: calidad por diseño. Coloides Surf B Biointerfaces. Woerdenbag HJ. Enfoque de calidad por diseño para optimizar la
2014;115:29-36. formulación y las propiedades físicas de películas bucodispersables
preparadas extemporáneamente. Int J Pharm.2015;485(1-2):70-76.
Raina H, Kaur S, Jindal AB. Desarrollo de nanopartículas lipídicas
sólidas cargadas con efavirenz: evaluación de riesgos, Yao H, Vancoillie J, D'hondt M, Wynendaele E, Bracke N, De
optimización basada en calidad por diseño (QbD) y caracterización Spiegeller B. Un enfoque de calidad analítica por diseño (aQbD)
fisicoquímica. J Drug Del Sci Technol.2017;39:180-191. para un método de actividad de L-asparaginasa. J Pharm Biomed
Anal. 2016;117:232-239.
Romero DC, Lourenço FR. Incertidumbre de medición de la prueba
de disolución de tabletas de liberación inmediata de paracetamol Yu LX, Amidon G, Khan MA, Hoag SW, Polli J, Raju GK,
mediante simulaciones de Monte Carlo. Braz J Pharm Ciencias. Woodcock J. Comprender la calidad farmacéutica mediante el
2017;53(3):e00163. diseño. AAPS J.2014;16(4):771-783.
Sangshetti JN, Deshpande M, Zaherr Z, Shinde DB, Arote R. Enfoque de Zhang L, Mao S. Aplicación de la calidad por diseño en el desarrollo de
calidad por diseño: necesidad regulatoria. Árabe J Chem. fármacos actual. Ciencia asiática de J Pharm. 2017;12(1):1-8.
2017;10(Suplemento 2):S3412-S3425.