No description available.

No description available.

No description available.

No description available.

Abstrakt  Introduktion och syfte: Löslighet är en av de viktigaste parametrarna som spelar en viktig roll vid upptäckt och utveckling av läkemedel. Att ha kännedom om löslighet av något läkemedel är viktigt eftersom det hjälper till att formulera nya läkemedelskandidater. Olika teoretiska metoder används för att förutsäga löslighet, såsom kvantitativ struktur-egenskapsrelation (QSPR- modeller). Maskininlärning är ett ytterligare sätt att förutsäga löslighet. Syftet med denna studie är att göra en litteraturgenomgång för att fastställa hur olika maskininlärningsmodeller används för att förutsäga löslighet. Syftet är också att ta reda på om det finns trender i prestanda för olika maskininlärningsalgoritmer, samt trender i hur användningen av datasetet påverkar prestanda.  Metod: En litteratursökning fokuserad på användning av maskininlärning för att förutsäga löslighet genomfördes. PubMed och Google användes för att söka efter vetenskapliga artiklar. De olika maskininlärningsalgoritmerna delades in i fem olika kategorier. Dessutom bestämdes fördelningen mellan användandet av regression och klassificering vad gäller löslighetsprediktion. En intressant parameter att studera är hur storleken på felet varierar med storleken på dataseten. Det är också viktigt att veta hur storleken på felet beror på antalet deskriptorer. Slutligen undersökte denna studie hur storleken på felet varierar med andelen molekyler i ett dataset som används för träning, test och validering.  Resultat: Studien visar att både beslutsträd och neurala nätverk används mest i artiklar, och att beslutsträd har ett högre R2-värde än neurala nätverk. Bayesianska metoder förefaller också ge goda resultat, men används inte lika mycket som andra metoder. De flesta artiklar använder regression för att erhålla en kontinuerlig variabel såsom löslighet. Ju större dataset, desto mindre felstorlek och ett bättre resultat. Fördelningen mellan tränings-, test- och validerings-set spelar en viktig roll för att minska storleken på felet. Antalet deskriptorer spelar en viktig roll och ju fler deskriptorer, desto mindre storlek på felet.  Slutsats: Beslutsträd och neurala nätverk används mest i maskininlärningsalgoritmer och andelen artiklar för neurala nätverk och beslutsträd är 30% vardera. Medelvärdet för R2 är högst (0.88) för studier som använder någon variant av beslutsträd. Regression används mer än klassificering. Där är andelen artiklar som använder regression, klassificering eller en kombination 50%, 31% respektive 19%. De högsta R2 (0.9) och lägsta (0.67) RMSE-värdena observerades för studier som innefattar stora dataset (upp till 40 000 molekyler). På samma sätt erhölls bäst resultat (MAE, R2 och RMSE) också för studier som inkluderade ett stort antal deskriptorer. För de studier som använde mer än 1000 deskriptorer erhölls medel-R2-, RMSE- och MAE-värde på 0,83, 0,55 respektive 0,51. Vidare sågs i detta arbete att en fördelning mellan tränings- och test-set i proportionerna 80/20 verkar vara både vanligt och lämpligt för att erhålla resultat med ett så litet fel som möjligt.

No description available.

No description available.

No description available.

Background: There are some health care centers in Region Västmanland that always turn a profit, and other health care centers which always go at a loss.   Aim: The aim of this study was to analyze the potential reasons as to why the same health care centers always profit, and the other health care centers always go at a loss under year 2022.   Methods: A cross-sectional study with register data for the year 2022 was used as a method. The analysis was performed by aggregating different indicators and measures. For example, the age and sex of the patients, socioeconomic status, morbidity, and number of listed patients that the health centers have. Two different therapy areas were chosen for deeper analysis - diabetes and atrial fibrillation. Medicines for these diagnoses have the highest cost for the health centers. In addition to this, differences between the health care centers in prescribing of over-the-counter medicines and in selection of generic drugs were also considered.  Results: The results show that the three health centers that lost the most had 29 percent higher costs per diabetes patient of the more expensive diabetes drugs compared to other three health centers that always make a profit. The health centers that had the largest loss had higher costs of Lyrica, a more expensive drug compared to other bioequivalent drugs, than the other health centers. The health centers that lost the most had older patients, and more patients who were socioeconomically disadvantaged. Two of the health centers that lost the most had higher CNI scores, which means that the patients at these health centers had a lower socio-economic status.   In conclusion, the health care centers that lost the most had the highest diabetes costs, especially from the more expensive drugs and they had also more older patients.

When drugs need to be delivered to the respiratory system dry powder inhalers (DPIs) are often used. The powders in DPIs often consists of a micronized active pharmaceutical ingredient (API) that is adhered to a larger carrier particle forming an adhesive mixture. To achieve a good drug delivery aerosolization is very important and to improve the aerosolization a force control agent such as magnesium stearate (MgSt) may be used. The aim of this project is to investigate how MgSt effects the aerosolization and bulk properties of adhesive mixtures containing different amount of API. Several analyses of bulk properties such as density, bulk density and compressibility were made. The results from these experiments showed that the only bulk properties that had a significant change when MgSt was added was the bulk density. When investigating if the aerosolization properties changed with added MgSt a fast-screening impactor (FSI) and a next generation impactor (NGI) were used. The results showed a clear improvement of aerosolization properties for all the powder containing MgSt. The fine particle fraction (FPF) and fine particle dose (FPD) both increased for all the powder when MgSt was added. The pressure drop sensitivity decreased when MgSt was added which also was desired. In conclusion adding MgSt seems to be beneficial for the aerosolization properties regardless of the amount of API in the powder.