Машинное обучение может предсказать результаты печати фармацевтических препаратов на струйной печати

Размещено: 23 мая 2023 г. | Кэтрин Экфорд (Европейское фармацевтическое обозрение) | Пока без коментариев

В статье показано, как модели машинного обучения (ML) с высокой точностью предсказывают возможность печати лекарственных форм на струйной печати.

Используя струйную печать, оптимизированные модели машинного обучения (ML) предсказывали возможность печати лекарственных форм с точностью 97,22 процента, как показала статья, опубликованная в International Journal of Pharmaceutics: X.

Струйная печать делает оптимизацию рецептуры и параметров печати трудоемкой. Особенно это актуально для аддитивного производства и производства уникальных лекарственных форм и персонализированных лекарств. К преимуществам последнего можно отнести низкую стоимость и универсальность. Например, пьезоэлектрическая струйная печать — один из методов печати, используемый для персонализированных лекарств.

В документе отмечается, что машинное обучение использовалось для прогнозирования результатов печати и поведения растворения лекарственных форм, напечатанных с помощью моделирования плавленого осаждения (FDM ™), и таблеток, напечатанных с помощью цифровой обработки света (DLP).

В исследовании оценивалось, как ML может анализировать различия в нюансах и предоставлять более надежные прогнозы по сравнению с традиционными рекомендациями по струйной способности, основанными на значениях Z, которые представляют собой настройку печатающей головки.

Исследователи предположили, что существует потенциал для разработки модели прогнозирования результатов струйной печати. Таким образом, исследование было направлено на разработку и оценку эффективности моделей машинного обучения для прогнозирования возможности печати на струйной печати и общей дозы лекарства в окончательной напечатанной лекарственной форме.

В исследовании для прогнозирования возможности печати использовались следующие модели машинного обучения:

Помимо прогнозирования возможности печати рецептур с высокой точностью, оптимизированные модели машинного обучения также прогнозировали качество отпечатков с точностью 97,14 процента. Текущие рекомендации гласят, что можно печатать только чернилами со значениями Z <10. Для сравнения: следование этому руководству дает точность 64,39 процента.

Разработка и оптимизация рецептур — это трудоемкий и ресурсоемкий процесс, который можно значительно ускорить с помощью инструментов прогнозирования in silico.

Исследователи заявили, что инструмент прогнозирования, позволяющий лучше определять пригодность чернил для печати до фактического приготовления и тестирования, позволит исследователям-фармацевтам сосредоточиться на разработке более уникальных лекарственных форм для решения нерешенных клинических проблем.

Анализ набора данных, состоящего из 687 составов, показал, что положительные результаты печати в подавляющем большинстве публиковались в пользу отрицательных результатов. Несмотря на несбалансированный набор данных, оптимизированная модель машинного обучения для прогнозирования возможности печати работала значительно лучше, чем традиционное руководство.

Авторы отметили, что для изготовления лекарств используется струйная печать для нанесения лекарств на диспергируемые во рту пленки, биоадгезивные пленки для введения в шейку матки и трансдермальные микроиглы. Струйная печать также использовалась для дозирования микро- и наночастиц с лекарственными средствами, диспергированных в жидкости чернил.

Струйную печать также можно комбинировать с другими технологиями аддитивного производства, которые в противном случае были бы недостижимы с помощью традиционных производственных технологий.

Сотрудничество по производству фармацевтических препаратов, напечатанных методом 3D-трафаретной печати.

Например, в одном исследовании, описанном в статье, струйная печать использовалась в сочетании с 3D-печатью FDM™ для производства таблеток с лекарственными препаратами и напечатанными на них кодами быстрого ответа (QR). Эти QR-коды были разработаны для кодирования информации о пациентах, которую можно было прочитать с помощью смартфона, а также в качестве стратегии борьбы с подделками.

В другом исследовании также применялось изготовление диспергируемых во рту подложек и капсул с напечатанными QR-кодами. В другом тематическом исследовании, представленном в статье, струйная печать использовалась для изготовления целых 3D-таблеток с лекарственными средствами.

Кару-Сенра и др. пришли к выводу, что исследование демонстрирует, что модели машинного обучения «могут реально обеспечить прогнозную информацию о результатах струйной печати до подготовки рецептуры, обеспечивая экономию ресурсов и времени».