Valutazione della potenza predittiva di modelli multivariati applicati ai dati spettrali in derivata

Negli ultimi anni le tecniche chemiometriche stanno giocando un ruolo molto importante nell’analisi di miscele farmaceutiche1. In particolare, tali tecniche vengono utilizzate per l’elaborazione di dati ottenuti mediante diverse tecniche strumentali, e tra queste, la spettrofotometria UV rappresenta ancora la tecnica più impiegata. Nonostante tale successo, la spettrofotometria ordinaria mostra limiti risolutivi nell’analisi di curve spettrali fortemente sovrapposte. Al contrario, la spettrofotometria derivata ha dimostrato un maggior potere risolutivo, grazie alla capacità di apprezzare le minime differenze tra gli spettri dei diversi componenti. L’uso combinato della spettrofotometria derivata e delle tecniche chemiometriche si è rivelata poi una scelta ottimale nell’analisi di sistemi complessi. Nel presente lavoro tre procedure multivariate, basate sugli algoritmi Principal Component Regression (PCR) and Partial Least Squares a 1 variabile indipendente (PLS1) e a 3 variabili indipendenti (PLS2), sono state applicate alla determinazione di una miscela ternaria di farmaci. Lo scopo principale è stato quello di valutare l’abilità predittiva dei modelli multivariati quando applicati agli spettri ordinari o in derivata fino al quarto ordine e nello stesso tempo studiare l’influenza dell’ordine di derivazione. Le formulazioni farmaceutiche analizzate erano costituite da paracetamolo, propifenazone e caffeina, presenti in diversa combinazione in numerose specialità commerciali analgesiche e antipiretiche. I metodi chemiometrici sono stati testati tramite un set esterno di dati e infine applicati all’analisi di preparazioni commerciali. I modelli sono stati ottimizzati selezionando zone di lunghezze d’onda a maggiore informazione mediante un nuovo metodo utilizzante i coefficienti delle componenti regressionali. Vantaggi significativi sono stati evidenziati nell’analisi di tutti gli analiti quando sono stati applicati modelli di calibrazione costruiti su dati spettrali in derivata di terzo ordine, caratterizzati da errori standard relativi inferiori all’1,4%. Al contrario, l’utilizzo degli altri ordini di derivata ha fornito valori di accuratezza e precisione decisamente peggiori, dovuti sicuramente ad una varianza dei dati più elevata. Bibliografia 1 Wold, S.; Sjöström, M.; Eriksson, L.; PLS-regression: a basic tool of chemometrics, Chemom Intell Lab., 2001, 58, 109.