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

Sintesi Tecnica: Valutazione Comparativa di Algoritmi di Selezione del Campione per la Calibrazione Multivariata nella Spettroscopia NIR

Problematica
Lo sviluppo di modelli di calibrazione multivariata robusti per l'analisi spettroscopica nel vicino infrarosso (NIR) nel controllo qualità farmaceutico dipende criticamente dalla razionale suddivisione dei campioni disponibili in set di calibrazione (addestramento) e di validazione. Una selezione inadeguata dei campioni porta all'overfitting del modello, in cui l'eccellenza delle statistiche di calibrazione non si traduce in accuratezza predittiva per nuovi campioni. Sebbene esistano vari algoritmi per ottimizzare tale suddivisione — come Kennard–Stone, Honigs, Duplex e Naes — la letteratura precedente spesso manca di una rigorosa validazione statistica delle differenze di prestazione, di un'indagine sistematica sugli effetti della metrica di distanza (Euclidea vs. Mahalanobis) e di un'analisi completa dell'impatto delle proporzioni del set di addestramento. Questo studio affronta tali lacune valutando quattro algoritmi stabiliti applicati a un dataset NIR farmaceutico.

Metodologia
L'indagine ha utilizzato un dataset di 58 compresse commerciali di paracetamolo (500 mg) acquisite da farmacie di Bamako, Mali. Le concentrazioni di riferimento del paracetamolo sono state determinate tramite spettrofotometria UV-Vis validata secondo le farmacopee. Gli spettri NIR sono stati acquisiti in modalità riflettanza (800–1700 nm) e preprocessati utilizzando la Standard Normal Variate (SNV), derivate e lo smoothing di Savitzky–Golay, con gli spettri smussati selezionati per prestazioni ottimali.

Il design sperimentale centrale ha previsto:

1. Implementazione degli Algoritmi: Sono stati implementati quattro algoritmi di selezione del campione:
   • Kennard–Stone: Seleziona i campioni per massimizzare la copertura dello spazio spettrale.
   • Honigs: Seleziona iterativamente campioni spettralmente distinti basandosi sulla proiezione dei residui.
   • Duplex: Costruisce simultaneamente set di calibrazione e di validazione bilanciati.
   • Naes: Utilizza il clustering k-means per garantire la rappresentanza dei sottotipi.
2. Framework di Modellazione: La regressione dei processi gaussiani (GPR) con un kernel a base radiale è servita come framework di modellazione.
3. Metriche di Prestazione: I modelli sono stati valutati utilizzando il coefficiente di determinazione ($R^2$) e l'errore quadratico medio di previsione (RMSEP).
4. Analisi Statistica: Sono stati impiegati metodi statistici non parametrici per validare le differenze di prestazione. Il test di Kruskal–Wallis ha valutato le differenze globali, seguito da test post-hoc di Mann–Whitney U con correzione di Bonferroni per i confronti a coppie.
5. Variabili: Lo studio ha variato sistematicamente le proporzioni del set di addestramento (dal 60% al 90%) e ha confrontato le metriche di distanza Euclidea rispetto a quella di Mahalanobis, ove applicabile.

Risultati Chiave

• Prestazione degli Algoritmi: L'algoritmo Kennard–Stone impiegando la metrica di distanza di Mahalanobis ha dimostrato una prestazione superiore, ottenendo un $R^2$ di validazione di 0,99999 e un RMSEP di $1,74 \times 10^{-6}$. L'algoritmo Honigs ha mostrato una prestazione comparabile ($R^2 = 0,999996$, RMSEP = $1,76 \times 10^{-6}$). Entrambi hanno superato significativamente i metodi Duplex, Naes e la suddivisione casuale.
• Significatività Statistica: Il test di Kruskal–Wallis ha confermato differenze altamente significative tra gli algoritmi ($p < 0,001$). L'analisi post-hoc ha rivelato che, sebbene Kennard–Stone e Honigs fossero statisticamente equivalenti tra loro ($p = 1,000$), entrambi erano significativamente superiori a Duplex, Naes e alla partizione casuale.
• Indicatori di Overfitting: Gli algoritmi Naes e Duplex hanno esibito eccellenti statistiche di calibrazione ma una degradazione delle prestazioni di validazione, indicando una tendenza all'overfitting e una rappresentazione inadeguata della variabilità del set di validazione.
• Dimensione del Set di Addestramento: È stata osservata una relazione monotona tra la dimensione del set di addestramento e l'accuratezza predittiva. La prestazione è migliorata all'aumentare della proporzione di addestramento dal 60% al 90%, con un comportamento asintotico che suggerisce rendimenti decrescenti oltre l'intervallo 80–90%.
• Metriche di Distanza: Per l'algoritmo Kennord–Stone, la metrica di distanza di Mahalanobis ha prodotto risultati di validazione superiori rispetto alla distanza Euclidea, grazie alla sua capacità di tenere conto delle correlazioni inter-lunghezza d'onda nei dati spettrali. Per l'algoritmo Honigs, entrambe le metriche sono risultate comparabili.

Significatività e Rivendicazioni
Il documento afferma che i suoi risultati forniscono una guida basata sull'evidenza per ottimizzare i protocolli di selezione del campione nelle applicazioni NIR farmaceutiche. I principali contributi includono:

1. Validazione della Selezione Razionale: Dimostrare che gli algoritmi di selezione sistematica dei campioni superano significativamente la partizione casuale, rendendo necessaria la loro inclusione nei flussi di lavoro di sviluppo del metodo.
2. Equivalenza Statistica: Stabilire che i metodi Kennard–Stone e Honigs sono statisticamente equivalenti per questo dataset, offrendo ai professionisti la flessibilità di scegliere l'algoritmo in base alle preferenze computazionali o di implementazione.
3. Rigore Metodologico: Evidenziare l'importanza critica della validazione esterna rispetto alle sole metriche di calibrazione, come dimostrato dall'overfitting osservato nei metodi Naes e Duplex.
4. Selezione della Metrica: Sottolineare la necessità di selezionare metriche di distanza appropriate, specificamente il vantaggio della distanza di Mahalanobis per Kennard–Stone in spazi spettrali correlati.

Gli autori concludono che l'algoritmo Kennard–Stone con la distanza di Mahalanobis rappresenta un approccio ben validato per la partizione del set di campioni in questo dominio, pur riconoscendo che il lavoro futuro dovrebbe estendere queste conclusioni a diverse classi di prodotti farmaceutici.