[通过近红外光谱学与多个机器学习算法相结合,预测Reduning注射批次的风险]

科学领域:

• 药品分析 药品分析
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 调整注射的临床安全性至关重要.
• 评估批量特定风险需要有效的方法.

研究的目的:

• 开发和验证Reduning注射批次的快速风险预测模型.
• 确定影响临床安全的关键质量参数.

主要方法:

• 近红外光谱 (NIRS) 分析了129个Reduning注射批次.
• 机器学习算法 (SVM,LR,KNN,NB,RF,ANN) 用于风险预测.
• 应用了特征选择技术 (CARS,SPA,UVE,GA) 和贝叶斯优化.

主要成果:

• 机器学习模型实现了高精度 (高达91%) 和F1得分 (高达0.88),预测时间小于5秒.
• 随机森林模型展示了最高的性能.
• 树网确定了影响临床安全的三个关键质量参数.

结论:

• 与机器学习相结合的NIRS提供了一个快速而准确的方法来预测Reduning Injection批量风险.
• 识别的质量参数为提高安全标准提供了基础.