عنوان:

طراحی و پیاده‌سازی مدل ‌پیش‌بینی زمان فروپاشی(Disintegration Time) و سختی(Hardness) قرص‌های سریع بازشونده در آزمایش‌های پیش‌فرمولاسیون به کمک تکنیک‌های یادگیری عمیق

چكيده

مقدمه: در میان روش‌های مختلف دارو‌‌رسانی موجود، روش خوراکی و به ویژه قرص‌ها از محبوبیت بیشتری برخوردار هستند. فرآیند تولید قرص شامل مراحل ساخت و کنترل طولانی ، هزینه بر ، پرزحمت و تکرارشونده میباشد، این فرآیند منجر به تخریب و هدررفت مواد اولیه و همچنین در مراحل پیش فرمولاسیون شامل سعی و خطا تا رسیدن به مقادیر مورد نظر برای ویژگی‌های ساختاری میباشد که میبایست فرآیند ساخت چندین بار تکرار شود. با توجه به پیشرفت تکنولوژی‌های مرتبط با هوش مصنوعی در همه‌ی صنایع ، و اخیرا بکارگیری هرچه بیشتر این تکنولوژی در صنعت دارویی ، میتوان از این تکنولوژی در فرآیند کنترل دارویی برای تسهیل و سرعت بخشیدن به فرآیند تولید قرص نیز استفاده کرد.

یکی از زیرشاخه‌های اصلی هوش مصنوعی ، یادگیری ماشین می‌باشد. اخیرا تکنیکی از یادگیری ماشین که مورد استقبال بیشتری به علت توانایی بالاتر در مدل‌سازی و ‌پیش‌بینی قرار گرفته است، یادگیری عمیق می‌باشد. این تکنیک از روش‌های یادگیری ماشین سابق پیچیده تر می‌باشد. به طور کلی فرآیند آموزش سیستم به داده نیاز دارد و تکنیک‌های یادگیری عمیق نیاز به داده‌های بیشتری با توجه به پیچیدگی بیشتر در مدلسازی دارند.

هدف : با توجه به عدم وجود مجموعه داده جامع از فرمولاسیون قرص‌ها که شامل ویژگی‌های ساختاری و محتویات قرص باشد ، برای انجام مطالعات علوم داده در این زمینه، نیاز به جمع آوری داده‌ها میباشد . هدف از انجام این مطالعه در وهله اول تجمیع و یکپارچه سازی فرمولاسیون‌های مختلف قرص‌های سریع بازشونده در یک مجموعه‌ داده می‌باشد. سپس ایجاد مدل‌های پیش‌بینی برپایه روش‌های یادگیری ماشین و یادگیری عمیق و مقایسه آنها جهت ‌پیش‌بینی متغیرهای پاسخ زمان فروپاشی، سختی، فرسایش و نرخ جذب آب در قرص‌های سریع بازشونده در مراحل پیش فرمولاسیون دارویی براساس ویژگی‌های مؤثر در هر قرص جهت کاهش هزینه و زمان مصرفی می‌باشد.

روش كار:در فاز اول پژوهش با جستجو در 4 پایگاه اطلاعاتی 1503 مقاله بازیابی شد، در مرحله بعدی، متن 533 مقاله به صورت دقیق از نظر معیارهای ورود فرمولاسیون‌ها بررسی شد و فرمولاسیون‌های واجد شرایط در مجموعه داده‌ای درج شد . در فاز دوم برای ایجاد مدل ‌پیش‌بینی رویکرد‌های مختلف روش‌های رگرسیون و دسته‌بندی مدنظر قرار گرفت و براین اساس مدل‌های شبکه عصبی عمیق، شبکه عصبی مصنوعی  ، ماشین بردار پشتیبان ، شبکه عصبی رگرسیون عمومی  ، درخت تصمیم ، رگرسیون خطی چندگانه ، تحلیل تفکیک درجه دوم  ، تحلیل تفکیک کننده خطی و همچنین ازمتد ترکیبی جنگل تصادفی پیاده سازی شد.

نتايج: خروجی فاز اول پژوهش مجموعه داده‌ای با تعداد 1983 فرمولاسیون مختلف بود . با توجه به معیارهای ارزیابی مورد استفاده برای ارزیابی و مقایسه مدل‌ها، روش یادگیری عمیق با 73 درصد صحت برای پیش‌بینی زمان فروپاشی و 99 درصد صحت در پیش‌بینی میزان سختی قرص به عنوان بهترین مدل پیش‌بینی معرفی شد و در میان متغیرهای پاسخ زمان فروپاشی،سختی،فرسایش ونرخ جذب آب، متغیر سختی قرص نتیجه بهتری داشت.

نتيجه‌گيري: مجموعه‌ داده بدست آمده حاوی اطلاعات ارزشمندی از فرمولاسیون‌های مختلف قرص‌های سریع بازشونده می‌باشد که می‌تواند در مطالعات دیگر مورد استفاده قرار گیرد. باتوجه به پاسخ مدل‌ها در مجموعه داده‌ها و متغیرهای پاسخ مختلف، میتوان گفت به‌کارگیری تکنیک‌های یادگیری عمیق می‌تواند به حل مسئله پیش فرمولاسیون کمک کند و با بهبود مجموعه داده از نظر افزایش داده‌های آن میتوان پاسخ بهتری دریافت کرد. در انتها میتوان ادعا کرد که دقت مدل‌های یادگیری عمیق در مقایسه با مدل‌های یادگیری ماشین بالاتر است.