Syftet med detta examensarbete är att förkorta 20-timmars frisättningen för en tablettformulering med förlängd frisättning genom att använda maskininlärning genom multivariat prediktiv modellering, helt automatisera frisättningsmetoden och utvärdera antalet tabletter som kan representera en batch vid frisättningsanalys av en specifik provtablett. Prediktionsmodellerna byggdes i SIMCA 14, som är en programvara för multivariat dataanalys. Två PLS-prediktionsmodeller byggdes som använder sig av de första 8 timmarna av frisättningen som X-variabler för att prediktera mängden aktiv farmaceutisk ingrediens som frisatts vid timme 12 och timme 20. Y-variablerna behandlades med logit-transformation i SIMCA 14. Modellerna bedömdes med en oberoende testset med avseende på linjäritet och precision. Beräkningar visar att prediktionerna av 12 och 20 timmars värden är utmärkta. RMSEP för 12-timmars prediktionen är 0,39 och 1,12 för 20-timmars prediktionen. Detta visar att modellerna korrekt kan prediktera timme 12 och timme 20 efter en 8 timmars frisättningsanalys. En automatiserad 8-timmars frisättningsmetod med alla nödvändiga kommandon har byggts för SingBATH-roboten i SenISS-programvaran. Det är möjligt att koppla modellerna till SingBATH-metoden till SIMCA Quick Predict-modulen som finns i SenISS-programvaran. SingBATH-robotarna är placerade i produktionsanläggningarna, vilket innebär att hela analysen kan överföras från laboratoriet för kvalitetskontroll till produktionen. För att utvärdera möjligheten att använda färre än 6 tabletter vid frisättning av provtabletten för en batch, användes ett testset med data från 73 olika batcher. Flera beräkningar har utförts för att undersöka effekten av att minska antalet tabletter från 6 till 3 tabletter per batch. Det visas att risken för felaktig bedömning av batchens frisättning vid timme 1, 4, 8 och 20 med frisättning av 3 tabletter istället för 6 är mycket liten. Dessutom är den tid och resurser som sparas när antalet testade tabletter per batch minskas mycket stora. En utvärdering av prediktionsmodellerna med 6 och 3 tabletter per batch har också utförts. Resultaten visar att skillnaderna i resultat är små. Genom att flytta analyserna till produktionen, med hjälp av prediktionsmodeller för att minska analystiden till 8 timmar istället för 20 timmar och att minska antalet tabletter som representerar en batchs frisättning till 3 tabletter, från 6 tabletter, innebär en stor tidsbesparing för analys av denna provtablett. / The aim of this thesis degree is to shorten the 20-hour dissolution time of an extended release tablet formulation by using machine learning through multivariate predictive modelling, fully automate the dissolution method and assess the number of tablets needed to have correct test result for a batch of the formulation analyzed in this thesis.  The prediction models were built in SIMCA 14, which is a software for multivariate data analysis. Two PLS prediction models were built using the first 8 hours of dissolution as X-variables to predict the amount active pharmaceutical ingredient dissolved at hour 12 and hour 20. The Y variables were treated with logit transformation in SIMCA 14. The models were assessed with an independent test set with respect to linearity and precision. Calculations show that predictions of the 12 and 20 hour values are excellent. RMSEP for the 12-hour prediction is 0,39 whereas it is 1,12 for the 20-hour prediction. This shows that the models can correctly predict hour 12 and hour 20 after an 8 hours dissolution analysis.  An automated 8 hour dissolution method with all the necessary commands has been built for the SingBATH robot in the SenISS software. It is possible to couple the models to the SingBATH method to the SIMCA Quick Predict module available in the SenISS software. The SingBATH robots are placed in the production facilities, which means that the entire analysis can be transferred from the quality control laboratory to the production. To evaluate the possibility of using fewer than 6 tablets when testing the dissolution profile for a batch, a test set with data from 73 different batches was used. Several calculations have been performed to investigate the effect of reducing the number of tablets from 6 to 3 tablets per batch. It is shown that the risk of incorrectly judging the batch dissolution at hour 1, 4, 8 and 20 associated with testing 3 tablets instead of 6 is very small. Moreover, the time and resources saved when  the number of tablets tested per batch are reduced are very large.  An evaluation of the prediction models with 6 and 3 tablets per batch has also been performed. The results show that the differences in results are minor. By moving the analyses to the production, using prediction models to reduce the analysis time to 8 hours instead of 20 hours, and to reduce the number of tablets representing a batch dissolution to 3 tablets, from 6 tablets, means a great time saving for this analysis.