Noticias

May 28, 2023

El aprendizaje automático puede predecir los resultados de los productos farmacéuticos impresos por inyección de tinta

Publicado: 23 de mayo de 2023 | Catherine Eckford (Revisión farmacéutica europea) | Aún no hay comentarios Un artículo ha demostrado cómo los modelos de aprendizaje automático (ML) predijeron la capacidad de impresión de medicamentos mediante impresión por inyección de tinta.

Publicado: 23 de mayo de 2023 | Catherine Eckford (Revisión farmacéutica europea) | Sin comentarios aún

Un artículo ha demostrado cómo los modelos de aprendizaje automático (ML) predijeron la capacidad de impresión de formulaciones de medicamentos mediante impresión por inyección de tinta con gran precisión.

Utilizando la impresión por inyección de tinta, los modelos optimizados de aprendizaje automático (ML) predijeron la imprimibilidad de las formulaciones de medicamentos con una precisión del 97,22 por ciento, según muestra un artículo publicado en International Journal of Pharmaceutics: X.

La impresión por inyección de tinta hace que la optimización de los parámetros de impresión y formulación requiera mucho tiempo. Esto es especialmente cierto en el caso de la fabricación aditiva y la producción de formas farmacéuticas únicas y medicamentos personalizados. Los beneficios de este último incluyen bajo costo y versatilidad. Por ejemplo, la impresión por inyección de tinta piezoeléctrica es un método de impresión utilizado para medicamentos personalizados.

El ML se ha utilizado para predecir los resultados de impresión y los comportamientos de disolución de formas farmacéuticas impresas con modelado de deposición fundida (FDM™) y tabletas impresas con procesamiento de luz digital (DLP), señaló el artículo.

El estudio evaluó cómo ML puede analizar diferencias de matices y proporcionar predicciones más confiables en comparación con la guía convencional sobre la capacidad de inyección basada en los valores Z, que es una configuración del cabezal de impresión.

Los investigadores teorizaron que existe la posibilidad de desarrollar un modelo predictivo para los resultados de la impresión por inyección de tinta. Por lo tanto, el estudio tuvo como objetivo desarrollar y evaluar el rendimiento de los modelos ML para predecir la imprimibilidad de la impresión por inyección de tinta y la dosis total del fármaco en la forma farmacéutica impresa final.

Los modelos de ML utilizados en el estudio para predecir la imprimibilidad fueron:

Además de predecir la imprimibilidad de las formulaciones con alta precisión, los modelos ML optimizados también predijeron la calidad de las impresiones con una precisión del 97,14 por ciento. La guía actual establece que solo se pueden imprimir tintas con valores Z <10. A modo de comparación, seguir esta guía produce una precisión del 64,39 por ciento.

El desarrollo y la optimización de formulaciones es un proceso que requiere mucho tiempo y recursos y que puede acelerarse considerablemente con la guía de herramientas predictivas in silico.

Los investigadores afirmaron que una herramienta predictiva para determinar mejor la imprimibilidad de las tintas antes de la preparación y prueba reales permitiría a los investigadores farmacéuticos centrarse en diseñar formas de dosificación más exclusivas para resolver desafíos clínicos no resueltos.

El análisis del conjunto de datos que comprende 687 formulaciones reveló que los resultados de impresión positivos se publicaron abrumadoramente a favor de los resultados negativos. A pesar del conjunto de datos desequilibrado, el modelo ML optimizado para predecir la capacidad de impresión funcionó significativamente mejor que la guía convencional.

Para la formulación de fármacos, se ha utilizado la impresión por inyección de tinta para cargar fármacos en películas bucodispersables, películas bioadhesivas para administración cervical y microagujas transdérmicas, señalaron los autores. La impresión por inyección de tinta también se ha utilizado para dispensar micro y nanopartículas cargadas de fármacos dispersas en la tinta líquida.

La impresión por inyección de tinta también se puede combinar con otras tecnologías de fabricación aditiva que de otro modo serían inalcanzables con las tecnologías de fabricación convencionales.

Colaboración para producir productos farmacéuticos serigrafiados en 3D

Por ejemplo, un estudio destacado en el artículo utilizó la impresión de inyección de tinta junto con la impresión 3D FDM™ para producir tabletas cargadas de medicamentos con códigos de respuesta rápida (QR) impresos en ellas. Estos códigos QR se diseñaron para codificar información relacionada con el paciente que pudiera leerse mediante un teléfono inteligente y servir como estrategia contra la falsificación.

Otro estudio también aplicó la fabricación de sustratos bucodispersables y cápsulas con códigos QR impresos. En otro estudio de caso presentado en el artículo, se utilizó la impresión de inyección de tinta para fabricar todas las tabletas 3D cargadas de fármacos.

Carou-Senra et al. concluyó que el estudio demuestra que los modelos de aprendizaje automático "pueden proporcionar información predictiva sobre los resultados de la impresión por inyección de tinta antes de la preparación de la formulación, lo que permite ahorrar tiempo y recursos".

Big Data, Dosificación, Desarrollo de fármacos, Fabricación de fármacos, Formulación, Modelos, Medicina personalizada, Investigación y desarrollo (I+D), Tecnología, Terapéutica

medicina personalizada