REVISTA EN GENÉRICO NÚMERO 32

del-informed Under the Prescription Drug User Fee Amendments of 2017’ consigue reducir la incertidumbre en el desarrollo de fármacos, los costes y los fracasos terapéuticos. Mejorar la eficiencia en el diseño y desarrollo de medicamentos es ahora un objetivo prioritario para la indus- tria farmacéutica como han señalado reiteradamente diferentes instituciones, entre ellas la Iniciativa para Medicamen- tos Innovadores (IMI, por sus siglas en inglés). Inteligencia artificial La inteligencia artificial y, más concre- tamente, el machine learning son ya el presente y, por supuesto, el futuro de una sociedad inmersa en el mundo digital. Recientemente se ha publicado una interesante revisión (Romm E. y cols. Ar- tificial Intelligence in Drug Treatment, Ann Rev Pharmacol Toxicol , 2020, 60: 353-69) donde se incluye información de los modelos de predicción de la exposición individual de diferentes medicamentos con incorporación de covariables que afectan a la farmacocinética y farma- codinámica. Algunas aplicaciones en el campo de la oncología han contribuido a mejorar los regímenes de dosificación en términos de eficacia y seguridad. Actualmente hay registradas 230 startups que desarrollan programas de inteligencia artificial aplicadas a la terapéutica farmacológica. Entre ellas destacan las dedicadas a la búsqueda de biomarcadores, optimización de ensayos clínicos, reposicionamiento de fármacos, desarrollo de modelos PK/PD, etc. (Reve- rie Lab, VeriSM Life, Variational AI, etc.). Los “gemelos digitales” son una repre- sentación virtual de un objeto físico o sistema a través de su ciclo de vida. Aunque inicialmente se desarrollaron en el campo de la aeronáutica y en diversos sectores industriales, se han introduci- do recientemente en las ciencias de la salud, incluida la medicina de precisión. La tecnología de los “gemelos digitales” con aplicación de modelos PBPK ha facilitado el cálculo de la exposición individual para optimizar la posología en cada paciente ( model-informed precision dosing ). Ya existen experiencias de la aplicación de los “gemelos digitales” con medica- mentos que se administran por vía oral como olanzapina, rivaroxaban, voricona- zol, etc. y hay resultados esperanzadores para otras vías de administración. Los avances tecnológicos producidos en el diseño de aerosoles serán, asimismo, de gran utilidad para la evaluación de la bioequivalencia. La dinámica de fluidos computacional combinada con modelos farmacocinéticos-farmacodinámicos con base fisiológica (PB PK/PD) permite predecir la bioequivalencia tisular de fármacos con el objetivo de optimizar los tratamientos. El desarrollo de un “gemelo digital” humano facilita conocer el ac- ceso de los fármacos al tejido pulmonar utilizando la geométrica real del propio paciente. Ello adquiere gran importancia ya que abre paso a la correcta caracte- rización de la distribución tisular en el caso de medicamentos con difícil acceso a sus lugares de acción, como ocurre en algunos tratamientos oncológicos. Redes neuronales artificiales Las redes neuronales artificiales han sido aplicadas para la predicción de la clase en el Sistema de Clasificación Biofar- macéutica, para conocer el efecto de excipientes en la formulación, predecir el perfil de disolución, definir las correlacio- nes i n vitro – in vivo y para establecer la bioequivalencia virtual. Recientemente, las redes neuronales artificiales están dando un soporte válido a los programas de calidad por diseño en el desarrollo y producción de medicamentos genéricos. En mayo de 2020, científicos de San- dor Specialty Diagnostics publicaron un documento sobre la aplicación de las redes neuronales artificiales en la evaluación de la biodisponibilidad de inmunosupresores (Naushad SM. y cols. Current Opinion in Organ Trans- plantation 2020,25:1-7). Los modelos utilizados incorporan las covariables ya conocidas con influencia sobre la biodisponibilidad y las nuevas proteí- nas biomarcadoras mejorando así la precisión de la previsión. Los resulta- dos obtenidos con tacrolimus pare- cen augurar la utilidad clínica de la inteligencia artificial en pre-trasplante y en post-trasplante para asegurar la supervivencia del injerto. El software empleado, del que existe en la actualidad una amplia disponibili- dad para diferentes aplicaciones (Neu- ral Designer®, Neuroph®, Darknet®, etc.), aplica conceptos adaptados de las redes neuronales biológicas, inteli- gencia artificial y machine learning . Todas estas iniciativas son del máximo interés para el progreso de la terapéu- tica farmacológica, aunque hoy, como escribió en 1936 Alan Turing , conside- rado el precursor de la inteligencia ar- tificial, «solo podemos ver un poco el futuro, pero lo suficiente para darnos cuenta de que hay mucho que hacer». www.aeseg.es | 27 a nálisis NÚMERO 32 | NOVIEMBRE 2020