Previsão de cafeína em medicamento por infravermelho próximo e quimiometria

Abstract

No presente trabalho, propõe-se um modelo quimiométrico de regressão multivariada, aplicado a dados obtidos por reflectância difusa na região do infravermelho próximo (NIR), com objetivo de prever cafeína, em medicamentos presentes no dia a dia da população brasileira, sendo estes a base de dipirona, paracetamol e ácido acetilsalicílico. De forma geral, quando pensamos em construir um modelo de calibração multivariado utilizando dados espectroscópicos, necessitamos também de uma resposta obtida por um método oficial (ex. cromatografia líquida de alta eficiência - HPLC). Contudo, neste trabalho, de forma alternativa e inovadora, optamos por construir a curva de calibração, dopando medicamentos contendo apenas os 3 princípios ativos (dipirona, paracetamol e ácido acetilsalicílico) e seus diferentes excipientes, com quantidades específicas de cafeína pura (0, 2, 4, 6, 8 e 10 % m/m). Neste caso, os valores de previsão usados no conjunto de calibração (que seriam obtidos normalmente pelo método oficial) puderam ser comparados com esses valores construídos, previamente e, por fim as amostras de previsão (9 amostras comerciais), contendo teores de cafeína em sua formulação de fábrica, puderam ser quantificadas comparando-os com os dados indicados nos rótulos destes medicamentos. Assim, neste trabalho, um único modelo de regressão multivariado foi construído para a previsão da cafeína, independentemente do medicamento e do excipiente ao qual ele fora produzido. A regressão por quadrados mínimos parciais (PLS) foi escolhida como método de regressão multivariado e para a seleção de variáveis do modelo construído foi utilizado o algoritmo OPS (Ordered Predictor Selection) e seleção visual de variáveis com o auxílio de um espectro puro da cafeína. O modelo PLS que apresentou o melhor resultado de previsão de cafeína utilizou 4 variáveis latentes (VL) apresentando 0,79, 0,74 e 0,97 de rmsecv (raiz quadrada do erro médio de validação cruzada), rmsep (raiz quadrada do erro médio de previsão) e rcv (coeficiente de correlação), respectivamente. Assim o modelo quantifica amostras de cafeína reais, em que se apresenta um modelo eficaz, com erros associados, para que desta forma o modelo não fique super ajustado e quantifique os exemplares reais.