Fizično obveščena umetna inteligenca bi lahko pospešila razvoj obližev z nadzorovanim sproščanjem zdravil

Raziskovalci so razvili metodo, ki uporablja fizično informirane nevronske mreže (PINN), ki obljublja, da bo znatno zmanjšala čas, ki je tradicionalno potreben za oblikovanje teh medicinskih pripomočkov. Ta inovacija bi lahko privedla do hitrejših proizvodnih rokov in potencialno nižjih stroškov za farmacevtske izdelke, ki se zanašajo na natančne mehanizme sproščanja zdravil.

Znanstveniki oblikujejo material, izvajajo teste, prilagajajo zasnovo in ponavljajo cikel, dokler ne dosežejo želenih rezultatov. Ta iterativni proces je časovno zahteven in surovin.

Ta omrežja vključujejo temeljne fizikalne zakone neposredno v svojo arhitekturo, kar jim omogoča, da ustvarijo natančne napovedi z minimalnimi podatki o usposabljanju v primerjavi s konvencionalnimi nevronskimi omrežji. Študija, objavljena v Journal of Drug Delivery Science and Technology, je ocenila, kako učinkovito PINN lahko napoveduje vedenje različnih materialov z nadzorovanim sproščanjem.

Pri enostavnejših, ravnih materialih je model dosegel natančnost le z 6% razpoložljivih eksperimentalnih podatkov. Za bolj zapletene materiale, ki so imeli gube ali teksture, je bilo potrebno 33% podatkovnega nabora, vendar so še vedno prinesli zanesljive napovedi. Ta učinkovitost se prevaja v znatno prihranek časa. Po mnenju Srivastave bi pristop lahko zmanjšal eksperimentalni čas za do 94% za preproste materiale in za 67% za bolj zapletene. V hitrem svetu farmacevtskega razvoja, kjer je čas enak finančnemu vlaganju, taka zmanjšanja pomenijo veliko obljubo za pospeševanje razpoložljivosti izdelka bolnikom.

Da bi povečali zanesljivost svojih napovedi, je ekipa vključila tudi Bayesove statistične metode v okvir PINN. Ta dodatek omogoča modelu, da upošteva negotovosti, ki so značilne za eksperimentalne nastavitve, in proizvaja izhode, ki se bolj ujemajo z dejanskimi empiričnimi rezultati. Takšne izboljšave zagotavljajo, da so vpogledi, ki jih ustvari AI, še vedno robustni, tudi če se soočajo z variabilnostjo ali hrupom v podatkih. Čeprav se trenutni raziskovalni centri osredotočajo na zunanje aplikacije, kot so obliži in povoji, imajo osnovne metodologije širšo uporabnost. Podobni načeli bi se lahko razširili na notranje sisteme za dajanje zdravil, kot so peroralna zdravila ali implantati.

Šrivastava je poudaril, da dokazan pristop poudarja preobrazben potencial umetne inteligence v zdravstvu, ki je sposobna izboljšati oskrbo bolnikov z učinkovitejšimi procesi razvoja izdelkov.