Een nieuwe onderzoeksbenadering, waarbij terahertz-spectroscopie wordt gecombineerd met kunstmatige intelligentie (AI), kan helpen om het gehalte aan werkzame stoffen in medicijnen sneller en zonder het monster te beschadigen te meten. Onderzoekers hebben deze methode getest op complexe medicijnmonsters die meerdere componenten bevatten. Zij publiceerden hun bevindingen in het wetenschappelijke tijdschrift *Analytical Methods*. Uit de resultaten blijkt dat het systeem met een hoge nauwkeurigheid (tot wel 99,9% voorspellingsnauwkeurigheid, uitgedrukt in R² = 0,999) werkt en tot wel 90% sneller is dan traditionele analysemethoden. De onderzoekers, onder leiding van Xiaoning Wang, gebruikten hiervoor een combinatie van *principal component analysis* (een statistische techniek om complexe data te vereenvoudigen) en AI-modellen om de terahertz-spectra te interpreteren. Deze aanpak kan zowel de werkzame stoffen identificeren als hun hoeveelheid meten, zelfs in monsters met meerdere componenten. Terahertz-spectroscopie meet hoe elektromagnetische straling in het terahertz-frequentiebereik reageert met het monster. Omdat verschillende moleculaire structuren en kristalvormen unieke responsen geven, kan deze technologie werkzame stoffen onderscheiden van hulpstoffen, zonder het monster te beschadigen. Vanuit het perspectief van *Process Analytical Technology* (PAT) – een benadering om processen in de medicijnproductie direct te monitoren – biedt deze combinatie de mogelijkheid om snel metingen uit te voeren, zelfs tijdens het productieproces. Momenteel vinden dergelijke metingen vaak pas achteraf plaats in het laboratorium. Snellere analyses kunnen fabrikanten helpen om variaties in de productie direct op te sporen en aan te passen, in plaats van te moeten wachten op de resultaten van klassieke tests. Het gebruik van AI is hierbij cruciaal, omdat medicijnspectra vaak ingewikkeld zijn door overlappende signalen van werkzame stoffen, hulpstoffen en fysieke eigenschappen van het monster. AI-modellen kunnen deze complexe relaties herkennen en kwantitatieve informatie extraheren die met traditionele interpretatie moeilijk te verkrijgen is. Het is belangrijk om te benadrukken dat dit onderzoek nog een experimenteel bewijs van concept is. Voor toepassing in de praktijk onder Good Manufacturing Practice (GMP) moeten fabrikanten de methode uitvoerig testen op verschillende batches, meetinstrumenten, productielocaties en onder verschillende procesomstandigheden. Daarnaast moet worden aangetoond dat de AI-modellen goed beheerd worden gedurende hun levenscyclus, de integriteit van de data gewaarborgd is en de kalibratiedatasets nog steeds geschikt zijn. Wijzigingen in grondstoffen, formuleringen of productieomstandigheden kunnen namelijk de spectrale respons beïnvloeden en daarmee de prestaties van de modellen verslechteren. Deze risico’s moeten worden ondervangen met prospectieve validatie en continue monitoring van de modellen. Toch laten de resultaten zien dat de combinatie van snelle, niet-destructieve spectroscopie met AI de mogelijkheden van PAT in de farmaceutische industrie kan uitbreiden. Als deze technologie succesvol wordt geïmplementeerd in de productie, zou het kunnen leiden tot vroegere ingrepen tijdens het productieproces, een betere uniformiteit van het gehalte aan werkzame stoffen en meer datagedreven controlemechanismen.