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

Technische Samenvatting: Vergelijkende Evaluatie van Steekproefselectie-algoritmen voor Multivariaat Kalibratie in NIR-Spectroscopie

Probleemstelling
De ontwikkeling van robuuste multivariaat kalibratiemodellen voor Near-Infrared (NIR) spectroscopische analyse in de farmaceutische kwaliteitscontrole is kritisch afhankelijk van de rationele verdeling van beschikbare monsters in kalibratie- (trainings-) en validatiesets. Inadequate steekproefselectie leidt tot overfitting van het model, waarbij uitstekende kalibratiestatistieken niet vertalen naar voorspellende nauwkeurigheid voor nieuwe monsters. Hoewel er diverse algoritmen bestaan om deze verdeling te optimaliseren—zoals Kennard–Stone, Honigs, Duplex en Naes—ontbreeft in de bestaande literatuur vaak een rigoureuze statistische validatie van de prestatieverschillen, een systematische onderzoek naar het effect van afstandmetrieken (Euclidisch versus Mahalanobis) en een uitgebreide analyse van de impact van de proportie van de trainingsset. Deze studie adresseert deze hiaten door vier gevestigde algoritmen te evalueren toegepast op een farmaceutische NIR-dataset.

Methodologie
Het onderzoek maakte gebruik van een dataset van 58 commerciële paracetamoltabletten (500 mg) verkregen uit apotheken in Bamako, Mali. Referentieconcentraties van paracetamol werden bepaald via gevalideerde farmacopeïsche UV-Vis spectrophotometrie. NIR-spectra werden verworven in reflectiemodus (800–1700 nm) en voorbewerkt met Standard Normal Variate (SNV), derivaten en Savitzky–Golay smoothing, waarbij gesmoothde spectra werden geselecteerd voor optimale prestaties.

Het kernontwerp van het experiment omvatte:

1. Implementatie van Algoritmen: Vier steekproefselectie-algoritmen werden geïmplementeerd:
   • Kennard–Stone: Selecteert monsters om de spectrale ruimtebedekking te maximaliseren.
   • Honigs: Selecteert iteratief spectraal onderscheidende monsters op basis van residuprojectie.
   • Duplex: Construeert gelijktijdig gebalanceerde kalibratie- en validatiesets.
   • Naes: Gebruikt k-means clustering om subtype-representatie te waarborgen.
2. Modelleringskader: Gaussian Process Regression (GPR) met een radial basis function kernel diende als het modelleringskader.
3. Prestatie-indicatoren: Modellen werden geëvalueerd met de coëfficiënt van determinatie ($R^2$) en de Root Mean Square Error of Prediction (RMSEP).
4. Statistische Analyse: Niet-parametrische statistische methoden werden ingezet om prestatieverschillen te valideren. De Kruskal–Wallis test beoordeelde globale verschillen, gevolgd door post-hoc Mann–Whitney U-testen met Bonferroni-correctie voor paargewijze vergelijkingen.
5. Variabelen: De studie varieerde systematisch de proporties van de trainingsset (60% tot 90%) en vergeleek Euclidische versus Mahalanobis afstandmetrieken waar toepasbaar.

Belangrijkste Resultaten

• Algoritme Prestaties: Het Kennard–Stone algoritme dat de Mahalanobis afstandmetriek hanteert, vertoonde superieure prestaties, met een validatie $R^2$ van 0,99999 en een RMSEP van $1,74 \times 10^{-6}$. Het Honigs algoritme vertoonde vergelijkbare prestaties ($R^2 = 0,999996$, RMSEP = $1,76 \times 10^{-6}$). Beiden presteerden significant beter dan de Duplex, Naes en willekeurige splitsingsmethoden.
• Statistische Significantie: Kruskal–Wallis testen bevestigden zeer significante verschillen tussen de algoritmen ($p < 0,001$). Post-hoc analyse toonde aan dat hoewel Kennard–Stone en Honigs statistisch equivalent waren aan elkaar ($p = 1,000$), beiden significant superieur waren aan Duplex, Naes en willekeurige partitionering.
• Overfitting Indicatoren: De Naes en Duplex algoritmen vertoonden uitstekende kalibratiestatistieken maar gedegradeerde validatieprestaties, wat duidt op een neiging tot overfitting en een inadequate representatie van de variabiliteit van de validatieset.
• Omvang van de Trainingsset: Een monotone relatie werd waargenomen tussen de omvang van de trainingsset en de voorspellende nauwkeurigheid. De prestaties verbeterden naarmate de trainingsproportie toenam van 60% naar 90%, waarbij asymptotisch gedrag suggereert dat de meeropbrengst beperkt is boven de 80–90% range.
• Afstandmetrieken: Voor het Kennard–Stone algoritme leverde de Mahalanobis afstandmetriek superieure validieresultaten op vergeleken met de Euclidische afstand, toegeschreven aan het vermogen om rekening te houden met inter-golflengte correlaties in spectrale data. Voor het Honigs algoritme presteerden beide metrieken vergelijkbaar.

Betekenis en Claims
Het artikel stelt dat de bevindingen bewijs-gebaseerde richtlijnen bieden voor het optimaliseren van steekproefselectieprotocollen in farmaceutische NIR-toepassingen. De primaire bijdragen zijn:

1. Validatie van Rationele Selectie: Het aantonen dat systematische steekproefselectie-algoritmen significant beter presteren dan willekeurige partitionering, wat hun opname in methodologische ontwikkelingsworkflows noodzakelijk maakt.
2. Statistische Equivalentie: Het vaststellen dat de Kennard–Stone en Honigs methoden statistisch equivalent zijn voor deze dataset, wat praktijkgebruikers flexibiliteit biedt in de keuze van het algoritme op basis van computationele of implementatievoorkeuren.
3. Methodologische Rigor: Het benadrukken van het cruciale belang van externe validatie boven enkel kalibratiemetrieken, zoals aangetoond door de overfitting bij de Naes en Duplex methoden.
4. Selectie van Metrieken: Het onderstrepen van de noodzaak om geschikte afstandmetrieken te selecteren, specifiek het voordeel van de Mahalanobis afstand voor Kennard–Stone in gecorreleerde spectrale ruimtes.

De auteurs concluderen dat het Kennard–Stone algoritme met de Mahalanobis afstand een goed gevalideerde aanpak vormt voor de verdeling van steekproefsets in dit domein, waarbij zij erkennen dat toekomstig werk deze bevindingen naar diverse farmaceutische productklassen moet uitbreiden.