L'intelligenza artificiale basata sulla fisica potrebbe accelerare lo sviluppo di cerotti per farmaci a rilascio controllato, bende

Una svolta nell'intelligenza artificiale è emersa dalla Brown University, offrendo un approccio innovativo allo sviluppo di sistemi di somministrazione di farmaci a rilascio controllato come cerotti e bende. I ricercatori hanno ideato un metodo che utilizza reti neurali informate dalla fisica (PINN), che promette di ridurre significativamente il tempo tradizionalmente richiesto per la progettazione di questi dispositivi medici. Questa innovazione potrebbe portare a tempi di produzione più rapidi e costi potenzialmente più bassi per i farmaci che si basano su precisi meccanismi di rilascio dei farmaci. Il processo tradizionale di creazione di materiali a rilascio controllato comporta un'ampia sperimentazione.

Gli scienziati progettano un materiale, conducono test, regolano il design e ripetono il ciclo fino a raggiungere i risultati desiderati. Questo processo iterativo richiede tempo e risorse. Tuttavia, il nuovo metodo sfrutta tecniche avanzate di intelligenza artificiale basate su principi fisici per semplificare questa fase di sviluppo. Vikas Srivastava, professore associato di ingegneria alla Brown, ha guidato la ricerca insieme a Daanish Qureshi e Khemraj Shukla. Il loro lavoro si basa sui contributi fondamentali di George Karniadakis, un professore della Brown noto per aver aperto la strada ai PINN.

Queste reti incorporano le leggi fisiche fondamentali direttamente nella loro architettura, consentendo loro di generare previsioni accurate con dati di formazione minimi rispetto alle reti neurali convenzionali. Lo studio, pubblicato sul Journal of Drug Delivery Science and Technology, ha valutato l'efficacia con cui i PINN potrebbero prevedere il comportamento di vari materiali a rilascio controllato. Integrando la legge di diffusione di Fick, un principio che descrive il movimento molecolare da regioni di concentrazione più alta a concentrazione più bassa, i ricercatori sono stati in grado di prevedere modelli di rilascio a lungo termine dei farmaci in base a dati iniziali limitati.

Per i materiali più semplici e piatti, il modello ha raggiunto l'accuratezza con solo il 6% dei dati sperimentali disponibili. Materiali più complessi con pieghe o trame richiedevano il 33% del set di dati, ma hanno comunque prodotto previsioni affidabili. Questa efficienza si traduce in un notevole risparmio di tempo. Secondo Srivastava, l'approccio potrebbe ridurre il tempo sperimentale fino al 94% per i materiali più semplici e del 67% per quelli più complessi. Nel mondo frenetico dello sviluppo farmaceutico, in cui il tempo equivale a investimenti finanziari, tali riduzioni sono significativamente promettenti per accelerare la disponibilità del prodotto ai pazienti.

Per migliorare l'affidabilità delle loro previsioni, il team ha anche integrato metodi statistici bayesiani nel framework PINN. Questa aggiunta consente al modello di tenere conto delle incertezze intrinseche negli ambienti sperimentali, producendo risultati che si allineano più strettamente con i risultati empirici reali. Tali affinamenti assicurano che le intuizioni generate dall'IA rimangano robuste anche quando si trovano di fronte a variabilità o rumore all'interno dei dati. Sebbene l'attuale attenzione dei centri di ricerca sia focalizzata su applicazioni esterne come cerotti e bende, le metodologie sottostanti possiedono un'applicabilità più ampia. Principi simili potrebbero essere estesi ai sistemi interni di somministrazione di farmaci come farmaci orali o impianti.

Srivastava ha sottolineato che l'approccio dimostrato evidenzia un potenziale di trasformazione per l'intelligenza artificiale nell'assistenza sanitaria, in grado di migliorare la cura dei pazienti attraverso processi di sviluppo di prodotti più efficienti.