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

Resumo Técnico: Avaliação Comparativa de Algoritmos de Seleção de Amostras para Calibração Multivariada em Espectroscopia NIR

Definição do Problema
O desenvolvimento de modelos de calibração multivariada robustos para análise espectroscópica de Infravermelho Próximo (NIR) no controle de qualidade farmacêutico depende criticamente do particionamento racional das amostras disponíveis em conjuntos de calibração (treinamento) e validação. Uma seleção inadequada de amostras leva ao sobreajuste (overfitting) do modelo, onde excelentes estatísticas de calibração falham em se traduzir em precisão preditiva para novas amostras. Embora existam vários algoritmos para otimizar esse particionamento — como Kennard–Stone, Honigs, Duplex e Naes — a literatura anterior carece de uma validação estatística rigorosa das diferenças de desempenho, investigação sistemática dos efeitos da métrica de distância (Euclidiana vs. Mahalanobis) e análise abrangente dos impactos da proporção do conjunto de treinamento. Este estudo aborda essas lacunas avaliando quatro algoritmos estabelecidos aplicados a um conjunto de dados de NIR farmacêutico.

Metodologia
A investigação utilizou um conjunto de dados de 58 comprimidos de paracetamol comercial (500 mg) adquiridos em farmácias em Bamako, Mali. As concentrações de referência de paracetamol foram determinadas via espectrofotometria UV-Vis validada conforme farmacopeia. Os espectros de NIR foram adquiridos em modo de refletância (800–1700 nm) e pré-processados usando Variância de Normalização Padrão (SNV), derivadas e suavização de Savitzky–Golay, com os espectros suavizados selecionados para desempenho otimizado.

O desenho experimental central envolveu:

1. Implementação de Algoritmos: Quatro algoritmos de seleção de amostras foram implementados:
   • Kennard–Stone: Seleciona amostras para maximizar a cobertura do espaço espectral.
   • Honigs: Seleciona iterativamente amostras espectralmente distintas com base na projeção de resíduos.
   • Duplex: Constrói simultaneamente conjuntos de calibração e validação equilibrados.
   • Naes: Utiliza agrupamento k-means para garantir a representação de subtipos.
2. Estrutura de Modelagem: Regressão por Processo Gaussiano (GPR) com um kernel de função de base radial serviu como a estrutura de modelagem.
3. Métricas de Desempenho: Os modelos foram avaliados utilizando o coeficiente de determinação ($R^2$) e o Erro Quadrático Médio de Predição (RMSEP).
4. Análise Estatística: Métodos estatísticos não paramétricos foram empregados para validar as diferenças de desempenho. O teste de Kruskal–Wallis avaliou as diferenças globais, seguido por testes post-hoc de Mann–Whitney U com correção de Bonferroni para comparações pareadas.
5. Variáveis: O estudo variou sistematicamente as proporções do conjunto de treinamento (60% a 90%) e comparou as métricas de distância Euclidiana versus Mahalanobis, onde aplicável.

Principais Resultados

• Desempenho dos Algoritmos: O algoritmo Kennard–Stone empregando a métrica de distância de Mahalanobis demonstrou desempenho superior, produzindo um $R^2$ de validação de 0,99999 e um RMSEP de $1,74 \times 10^{-6}$. O algoritmo Honigs mostrou desempenho comparável ($R^2 = 0,999996$, RMSEP = $1,76 \times 10^{-6}$). Ambos superaram significativamente os métodos Duplex, Naes e de divisão aleatória (random splitting).
• Significância Estatística: O teste de Kruskal–Wallis confirmou diferenças altamente significativas entre os algoritmos ($p < 0,001$). A análise post-hoc revelou que, embora o Kennard–Stone e o Honigs sejam estatisticamente equivalentes entre si ($p = 1,000$), ambos são significativamente superiores ao Duplex, Naes e à partição aleatória.
• Indicadores de Sobreajuste (Overfitting): Os algoritmos Naes e Duplex exibiram excelentes estatísticas de calibração, mas apresentaram degradação no desempenho de validação, indicando uma tendência ao sobreajuste e representação inadequada da variabilidade do conjunto de validação.
• Tamanho do Conjunto de Treinamento: Observou-se uma relação monotônica entre o tamanho do conjunto de treinamento e a precisão preditiva. O desempenho melhorou conforme a proporção de treinamento aumentou de 60% para 90%, com comportamento assintótico sugerindo retornos decrescentes além da faixa de 80–90%.
• Métricas de Distância: Para o algoritmo Kennând–Stone, a métrica de distância de Mahalanobis produziu resultados de validação superiores em comparação com a distância Euclidiana, atribuído à sua capacidade de considerar as correlações entre comprimentos de onda nos dados espectrais. Para o algoritmo Honigs, ambas as métricas performaram comparavelmente.

Significância e Alegações
O artigo afirma que seus achados fornecem orientação baseada em evidências para otimizar protocolos de seleção de amostras em aplicações de NIR farmacêutico. As principais contribuições incluem:

1. Validação da Seleção Racional: Demonstrar que algoritmos de seleção sistemática de amostras superam significativamente a partição aleatória, necessitando de sua inclusão nos fluxos de trabalho de desenvolvimento de métodos.
2. Equivalência Estatística: Estabelecer que os métodos Kennard–Stone e Honigs são estatisticamente equivalentes para este conjunto de dados, oferecendo flexibilidade aos profissionais na escolha do algoritmo com base em preferências computacionais ou de implementação.
3. Rigor Metodológico: Destacar a importância crítica da validação externa sobre as métricas de calibração isoladas, como evidenciado pelo sobreajuste observado nos métodos Naes e Duplex.
4. Seleção de Métrica: Ressaltar a necessidade de selecionar métricas de distância apropriadas, especificamente a vantagem da distância de Mahalanobis para o Kennard–Stone em espaços espectrais correlacionados.

Os autores concluem que o algoritmo Kennard–Stone com distância de Mahalanobis representa uma abordagem bem validada para o particionamento de conjuntos de amostras neste domínio, enquanto reconhecem que trabalhos futuros devem estender esses achados para diversas classes de produtos farmacêuticos.