📄 chemistry

A Comparative Evaluation of Sample Selection Algorithms for Multivariate Calibration in Near-Infrared Spectroscopic Analysis of Pharmaceutical Formulations

Este estudio demuestra que el algoritmo de Kennard–Stone, evaluado mediante regresión por procesos gaussianos en espectros NIR de tabletas de paracetamol, supera a otros métodos de selección de muestras en la generación de modelos de calibración multivariante robustos, según lo confirmado por estadísticas predictivas superiores y pruebas no paramétricas rigurosas.

Autores originales: Amanita Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

Publicado 2026-09-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Amanita Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la fabricación farmacéutica, asegurar que cada píldora contenga la cantidad exacta de medicamento es una cuestión de seguridad y confianza. Durante décadas, los químicos han confiado en una técnica llamada espectroscopia de infrarrojo cercano para verificar esta calidad. Imagine proyectar un tipo especial de luz sobre un montón de polvo de medicina triturada; la forma en que el polvo refleja esa luz crea una huella dactilar única que revela su composición química. Este método es rápido, no destruye la muestra y requiere muy poca preparación. Sin embargo, convertir estos patrones de luz en una herramienta fiable para medir la potencia del fármaco no es tan sencillo como apuntar con una cámara y tomar una foto. La computadora necesita aprender a leer estas huellas dactilares, un proceso llamado construcción de un modelo. Para enseñar a la computadora, los científicos deben mostrarle una colección de muestras con cantidades de fármaco conocidas. El desafío crítico radica en decidir qué muestras específicas se le mostrarán a la computadora para el aprendizaje y cuáles se reservarán para una prueba final. Si el grupo de aprendizaje se elige mal, la computadora podría memorizar perfectamente los ejemplos de entrenamiento pero fallar por completo cuando encuentre una nueva píldora no vista.

Un equipo de investigadores en Bamako, Malí, se propuso resolver este rompecabezas específico de la selección de muestras. Trabajaron con cincuenta y ocho tabletas de paracetamol comerciales, que representaban diferentes lotes de farmacias de toda la ciudad. Su objetivo era probar cuatro estrategias computacionales diferentes para dividir estas cincuenta y ocho tabletas en un grupo de aprendizaje y un grupo de prueba. Una estrategia, conocida como el algoritmo de Kennard–Stone, funciona seleccionando muestras que sean lo más diferentes posible entre sí, asegurando que la computadora vea todo el rango de variaciones. Otra, llamada el método de Honigs, selecciona las muestras que aportan la mayor cantidad de información nueva en cada paso. Un tercer enfoque, Duplex, intenta construir los grupos de aprendizaje y de prueba al mismo tiempo para mantenerlos equilibrados, mientras que el cuarto, Naes, agrupa las tabletas similares y selecciona un representante de cada grupo. Para ver qué estrategia funcionaba mejor, los investigadores utilizaron un enfoque matemático sofisticado llamado regresión de procesos gaussianos para construir sus modelos, un método que ya habían encontrado altamente efectivo para este tipo de datos.

Los resultados fueron claros y decisivos. Cuando los investigadores compararon el rendimiento de estas cuatro estrategias, el algoritmo de Kennard–Stone emergió como el más fiable, seguido de cerca por el método de Honigs. Los modelos construidos utilizando estas dos estrategias predijeron el contenido del fármaco con una precisión casi perfecta, logrando una puntuación de 0.99999 en una escala donde uno es perfecto, y cometiendo errores tan pequeños que se midieron en millonésimas. En contraste, las estrategias Duplex y Naes, aunque mostraron resultados excelentes durante la fase de entrenamiento, funcionaron significativamente peor cuando se probaron con datos nuevos. Esto indicó que esos métodos probablemente llevaron a la computadora a memorizar el conjunto de entrenamiento en lugar de aprender los patrones subyacentes, un problema conocido como sobreajuste o "overfitting". Los investigadores también probaron un método de selección aleatoria simple, donde las tabletas se dividían en grupos por azar, y encontraron que producía los resultados más pobres de todos, confirmando que un enfoque reflexivo y sistemático es esencial.

Para asegurar que estos hallazgos no fueran solo un golpe de suerte, el equipo sometió los datos a rigurosas pruebas estadísticas. El análisis confirmó que el rendimiento superior de los métodos de Kennard–Stone y Honigs era estadísticamente significativo y no se debía al azar. Curiosamente, las pruebas estadísticas mostraron que los métodos de Kennard–Stone y Honigs eran efectivamente equivalentes en su capacidad para producir modelos precisos, lo que otorga a los científicos la flexibilidad de elegir entre ellos. Los investigadores también investigaron cómo el tamaño del grupo de aprendizaje afectaba el resultado. Encontraron una relación constante y predecible: a medida que el grupo de aprendizaje crecía, ocupando una mayor parte de las muestras totales, la precisión del modelo mejoraba. Los mejores resultados se observaron cuando el grupo de aprendizaje comprendía entre el 80 y el 90 por ciento de las muestras totales, lo que sugiere que para este tipo específico de medicina, un conjunto de entrenamiento grande produce las predicciones más robustas.

El estudio también examinó las herramientas matemáticas utilizadas para medir qué tan diferentes eran las muestras entre sí. Para el algoritmo de Kennard–Stone, que fue el de mejor rendimiento, el uso de un tipo específico de medición de distancia que tiene en cuenta cómo las diferentes partes del espectro de luz se relacionan entre sí resultó superior a una medición más simple. Este matiz importaba, ya que permitió al algoritmo comprender mejor la estructura compleja de los datos. Los investigadores concluyeron que, para cualquiera que desarrolle estos métodos de prueba rápida para productos farmacéuticos, utilizar una estrategia de selección sistemática como Kennard–Stone o Honigs es mucho mejor que adivinar o elegir muestras al azar. Su trabajo proporciona una guía clara y basada en evidencia para asegurar que los modelos computacionales utilizados para verificar nuestras medicinas se construyan sobre la base más sólida, garantizando que las píldoras que tomamos sean exactamente lo que se supone que son.

Resumen Técnico: Evaluación Comparativa de Algoritmos de Selección de Muestras para la Calibración Multivariante de NIR

Planteamiento del Problema
El desarrollo de modelos de calibración multivariante robustos para el análisis espectroscópico de infrarrojo cercano (NIR) en el control de calidad farmacéutico enfrenta un desafío metodológico crítico: la partición racional de las muestras disponibles en conjuntos de calibración (entrenamiento) y de validación. Una selección inadecuada de muestras conduce al sobreajuste del modelo, donde excelentes estadísticas de calibración enmascaran un pobre rendimiento predictivo sobre muestras nuevas, mientras que conjuntos de calibración innecesariamente grandes aumentan los costes analíticos sin ganancias proporcionales en la exactitud. Aunque existen diversos algoritmos para optimizar esta partición, la literatura carece de una validación estadística rigurosa de su rendimiento relativo, de una investigación sistemática sobre la influencia de las métricas de distancia (Euclídea frente a Mahalanobis) en datos espectrales correlacionados, y de un análisis exhaustivo de las proporciones de los conjuntos de entrenamiento a través de múltiples relaciones de división.

Metodología
Este estudio llevó a cabo un análisis comparativo sistemático de cuatro algoritmos establecidos de selección de muestras aplicados a datos espectrales de NIR de 58 tabletas de paracetamol comerciales (500 mg) adquiridas en farmacias de Bamako, Malí.

Adquisición de Datos: Las muestras fueron analizadas utilizando un espectrómetro de reflectancia (800–1700 nm), con espectros preprocesados mediante suavizado de Savitzky–Golay.
Marco de Modelado: La Regresión por Procesos Gaussianos (GPR) con un núcleo de función de base radial sirvió como marco de modelado, elegido por su eficacia demostrada en estudios previos sobre este conjunto de datos.
Algoritmos Evaluados:
1. Kennard–Stone: Selecciona muestras para maximizar la cobertura del espacio multivariante.
2. Honigs: Selecciona iterativamente muestras espectralmente distintas basadas en la proyección de residuos.
3. Duplex: Construye simultáneamente conjuntos de calibración y validación equilibrados.
4. Naes: Un enfoque basado en agrupamiento (clustering) que asegura la representación de todos los subtipos de muestras.
Diseño Experimental: Cada algoritmo fue probado con métricas de distancia Euclídea y de Mahalanobis. El rendimiento se evaluó a través de proporciones de conjuntos de entrenamiento que oscilaron entre el 60% y el 90%.
Análisis Estadístico: El rendimiento del modelo se cuantificó mediante el coeficiente de determinación ( $R^2$ ) y el Error Cuadrático Medio de Predicción (RMSEP). Las diferencias entre algoritmos se validaron mediante pruebas no paramétricas de Kruskal–Wallis seguidas de pruebas post-hoc de Mann–Whitney U con corrección de Bonferroni para evitar supuestos de distribución.

Resultos Clave

Rendimiento de los Algoritmos: El algoritmo Kennard–Stone empleando la métrica de distancia de Mahalanobis demostró una precisión predictiva superior, obteniendo un $R^2$ de validación de 0.99999 y un RMSEP de $1.74 \times 10^{-6}$ . El algoritmo Honigs mostró un rendimiento comparable ( $R^2 = 0.999996$ , RMSEP = $1.76 \times 10^{-6}$ ).
Significancia Estadística: Las pruebas no paramétricas confirmaron diferencias altamente significativas entre los algoritmos ( $p < 0.001$ ). El análisis post-hoc reveló que tanto Kennard–Stone como Honigs superaron significativamente a Duplex, Naes y los métodos de división aleatoria. Crucialmente, no se encontró una diferencia estadísticamente significativa entre Kennard–Stone y Honigs ( $p = 1.000$ tras la corrección), lo que indica equivalencia estadística para este conjunto de datos.
Sobreajuste en Otros Métodos: Los algoritmos Naes y Duplex produjeron excelentes estadísticas de calibración, pero su rendimiento de validación se degradó, sugiriendo que seleccionaron muestras de calibración que representaban inadecuadamente la variabilidad del conjunto de validación.
Tamaño del Conjunto de Entrenamiento: Se observó una relación monotónica entre el tamaño del conjunto de entrenamiento y la precisión predictiva. El rendimiento mejoró a medida que la proporción de entrenamiento aumentó del 60% al 90%, observándose rendimientos decrecientes más allá del umbral del 80–90%.
Métricas de Distancia: Para el algoritmo Kennard–Stone, la distancia de Mahalanobis proporcionó resultados de validación superiores en comparación con la distancia Euclídea, debido a su capacidad para considerar las correlaciones entre longitudes de onda en los datos de NIR. Para el algoritmo Honigs, ambas métricas funcionaron de manera comparable.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona orientación basada en evidencia para optimizar los protocolos de selección de muestras en aplicaciones de NIR farmacéuticas. El estudio sostiene que llena vacíos específicos en la literatura al:

Establecer la equivalencia estadística de los métodos Kennard–Stone y Honigs mediante pruebas de hipótesis rigurosas, ofreciendo a los profesionales flexibilidad en la selección del algoritmo basada en preferencias computacionales o de implementación.
Demostrar la importancia crítica del uso de la métrica de distancia de Mahalanobis para aplicaciones de Kennard–Stone que involucran datos espectrales correlacionados.
Reforzar la necesidad de la validación externa sobre las métricas de calibración por sí solas, como lo demuestran las tendencias de sobreajuste de los métodos Naes y Duplex.
Proporcionar un flujo de trabajo validado para la cuantificación de paracetamol, recomendando el algoritmo Kennard–Stone con distancia de Mahalanobis como un enfoque robusto para la partición de conjuntos de muestras.

El artículo concluye que, si bien trabajos futuros podrían explorar diversas clases farmacéuticas y técnicas de optimización avanzadas (por ejemplo, algoritmos genéticos), los hallazgos actuales ofrecen una base metodológicamente sólida para el desarrollo de ensayos farmacéuticos basados en NIR.

Más como este