Difenhidramin HCI içeren matriks tablet formülasyonlarının yapay sinir ağları ile modellenmesi

Abstract

l.ÖZET Bu çalışmada, antihistaminik olarak kullanılan bir etanolamin türevi olan difenhidramin HCFin optimum matriks tablet formülasyonları hazırlanmıştır. Matriks tabletler doğrudan basım yöntemiyle hazırlanmış ve laktoz, mikrokristalin selüloz ve farklı viskozitelere sahip hidroksipropil metil selüloz (HPMC) polimerleri kullanılmıştır. Hazırlanan 20 ayrı matriks tablet formülasyonu için esas olarak temel bir formül belirlenmiş ve etken madde olarak kullanılan difenhidramin HCPin miktarları sabit tutularak dolgu maddesi olarak kullanılan laktoz, dağıtıcı madde olarak kullanılan mikrokristalin selüloz ve HPMC polimerlerinin miktarları değiştirilmiştir. Çalışma esnasında tozların karıştırma süreleri 30 dakika olarak sabit tutulmuştur. Hidrolik el presinde basılan tabletler, fiziksel özellikler ve çözünme hızı profilleri açısından incelenmiş ve birbirleriyle karşılaştırılmıştır. Elde edilen verilerin yapay sinir ağına girişi yapılarak, yapay sinir ağının modelleme beceri ve tahmini değerlerinin doğruluğu test edilmiştir. Kullanılan bağlayıcı polimerlerin kullarımı miktarlarının değişmesiyle, matriks tabletlerin çözünme hızı profillerinin belirgin oranda değiştiği saptanmıştır. Bağlayıcı polimerlerin cinslerinin de değişmesi suda az çözünen ilaçlarda çözünme hızı profilini değiştirirken ( 55) difenhidramin HC1 suda kolay çözünen bir ilaç olduğundan çözünme hızı profili etkilenmemiştir. Hazırlanan 20 formülasyon içinden en iyi formülasyonlar olarak 0-5 saat içinde %100 ilaç çıkışı sağlayan formül 9, 10, 13 ve 14 seçilmiştir. Deneyle elde edilen sonuçlar yapay sinir ağlarıyla oluşturulan modeller sonucunda başarılı bir şekilde tahmin edilmiş ve iyi bir modelleme yapılmıştır. Çıktı olarak %ilaç çıkışı seçildiğinde MLP (2-5-1) ağı, 0,140486 regresyon oram, 0,990766 korelasyon değeri ve 0,743208 hata değeri ile çok başarılı bir şekilde modelleme yapmıştır. Çıktı olarak kırılma kuvveti seçildiğinde MLP (5-7-1) ağı, 0,017844 regresyon oranı, 0,999887 korelasyon değeri ve 0,078164 hata değeri ile mükemmel bir modelleme yapmıştır.

2. SUMMARY Modelling the Diphenhydramine HC1 Matrix Tablet's Formulations using Artificial Neural Networks. In this study, optimum matrix tablet formulations of diphenhidramine HC1, a etanolamine derivative, were prepared. The matrix tablets were prepared by direct compression method and lactose, microcrystalline cellulose and various grades of hydroxypropylmethyl cellulose were used. Twenty different tablet formulations were designed based on one master formula. Diphenhydramine HC1 was kept in same amount; lactose, microcrystalline cellulose which are used as diluent and disintegrating agent and binder polymer are used vary in each formulation. During the direct compression, the mixing time of the powders, in general, was the same for each formulation and 30 minutes. Tablets were compressed by hydrolic press. The tablet formulations were compared to each other in terms of physical properties and dissolution profile. The data which was provided by experimental study, was applied to the artificial neural network to discuss the modelling capability and prediction accuracy of it. Depending on the amount of the binder polymers used, dissolution profiles of tablets have differed from each other significantly. The type of the binders while altering the dissolution profiles of the drug that have very limited solubility in water, didn't alter the dissolution profile of the very soluble drug diphenhidramine HC1. Among twenty formulations, the best formulas were selected as formula 9, 10,13, 14 which released approximately 100% of the drug between 0-5 hours. The results of the experimental study were predicted by the model which is created by neural network. When we selected the %drug release as an output, MLP (Multi Layer Perception) (2-5-1) network created a very good modelling with 0,140486 regression ratio, 0,990766 correlation, 0,743208 error. When we selected the crushing strength as an output MLP (Multi Layer Perceptron) (2-7-1) network created an excellent modelling with 0,017844 regression ratio, 0,999887 correlation and 0,078164 error.