Pharmaceutical Technology 49 Edición Sudamérica 2026 - N º199 automático” y desarrollar una AI explicable que permita a los reguladores comprender la base de las predicciones de un modelo. De cara al futuro, Traynard cree que la evolución de la AI/ML en el modelado PK/PD probablemente se centrará en una integración más profunda con la ciencia mecanicista, creando sistemas híbridos potentes, más predictivos y explicables. “A medida que estos modelos predictivos se vuelvan más robustos, anticipamos avances en la simulación y el diseño automatizados de ensayos clínicos, donde la AI podría utilizarse para pronosticar los resultados de los ensayos en diferentes escenarios y optimizar los parámetros del protocolo in silico antes de que se incluya a un solo paciente”, añade. Mirando más allá, Traynard señala que aprovechar la AI para ofrecer una medicina verdaderamente personalizada representa una importante frontera. “La ambición - explica- es utilizar algoritmos sofisticados para integrar grandes conjuntos de datos específicos de cada paciente y así lograr predicciones personalizadas más precisas de la respuesta individual a un fármaco, lo que allana el camino para la optimización del tratamiento individualizado” Referencias 1. Myung, Y.; de Sá. A.G.C.; and Ascher, D.B. Deep-PK: Deep Learning for Small Molecule Pharmacokinetic and Toxicity Prediction Open Access. Nucl. Acids Rsch. 2024 52 (W1), pp. W469–W475. DOI: 10.1093/ nar/gkae254 2. Bassani, D.; Parrott, N. J.; Manevski, N.; and Zhang, J. D. Another String to your Bow: Machine Learning Prediction of the Pharmacokinetic Properties of Small Molecules. Expert Opinion on Drug Discovery 2024 19(6), 683–698. DOI:10.1080/17460441.2024.2348157 PT
RkJQdWJsaXNoZXIy NzE4NDM5