ML kann Ergebnisse für mit Tintenstrahldruckern gedruckte Arzneimittel vorhersagen

Gepostet: 23. Mai 2023 | Catherine Eckford (European Pharmaceutical Review) | Noch keine Kommentare

In einem Artikel wurde gezeigt, wie Modelle des maschinellen Lernens (ML) die Druckfähigkeit von Arzneimittelformulierungen mit Tintenstrahldruck mit hoher Genauigkeit vorhersagten.

Mithilfe von Tintenstrahldrucken haben optimierte Modelle des maschinellen Lernens (ML) die Druckbarkeit von Arzneimittelformulierungen mit einer Genauigkeit von 97,22 Prozent vorhergesagt, wie ein im International Journal of Pharmaceutics: X veröffentlichter Artikel gezeigt hat.

Der Tintenstrahldruck macht die Formulierung und Optimierung der Druckparameter zeitaufwändig. Dies gilt insbesondere für die additive Fertigung und die Herstellung einzigartiger Darreichungsformen und personalisierter Medikamente. Zu den Vorteilen des Letzteren gehören niedrige Kosten und Vielseitigkeit. Beispielsweise ist der piezoelektrische Tintenstrahldruck eine Druckmethode für personalisierte Medikamente.

ML wurde verwendet, um Druckergebnisse und Auflösungsverhalten von mit Fused Deposition Modeling (FDM™) gedruckten Darreichungsformen und mit Digital Light Processing (DLP) gedruckten Tabletten vorherzusagen, heißt es in dem Artikel.

In der Studie wurde untersucht, wie ML Nuancenunterschiede analysieren und zuverlässigere Vorhersagen liefern kann als die herkömmliche Anleitung zur Spritzbarkeit auf der Grundlage von Z-Werten, bei denen es sich um eine Druckkopfeinstellung handelt.

Es besteht Potenzial für die Entwicklung eines Vorhersagemodells für die Ergebnisse des Tintenstrahldrucks, so die Theorie der Forscher. Daher zielte die Studie darauf ab, die Leistung von ML-Modellen zur Vorhersage der Druckbarkeit beim Tintenstrahldruck und der Gesamtdosis des Arzneimittels in der endgültigen gedruckten Darreichungsform zu entwickeln und zu bewerten.

Die in der Studie zur Vorhersage der Druckbarkeit verwendeten ML-Modelle waren:

Die optimierten ML-Modelle sagten nicht nur die Druckbarkeit von Formulierungen mit hoher Genauigkeit voraus, sondern sagten auch die Qualität der Drucke mit einer Genauigkeit von 97,14 Prozent vorher. Aktuelle Leitlinien besagen, dass nur Tinten mit Z-Werten <10 druckbar sind. Zum Vergleich: Die Befolgung dieser Anleitung führt zu einer Genauigkeit von 64,39 Prozent.

Die Entwicklung und Optimierung von Formulierungen ist ein zeit- und ressourcenintensiver Prozess, der durch die Unterstützung durch prädiktive In-Silico-Tools erheblich beschleunigt werden kann.

Die Forscher gaben an, dass ein Vorhersagetool zur besseren Bestimmung der Druckfähigkeit von Tinten vor der eigentlichen Vorbereitung und Prüfung es pharmazeutischen Forschern ermöglichen würde, sich auf die Entwicklung einzigartigerer Dosierungsformen zu konzentrieren, um ungelöste klinische Herausforderungen zu lösen.

Die Analyse des aus 687 Formulierungen bestehenden Datensatzes ergab, dass überwiegend positive Druckergebnisse zugunsten negativer Ergebnisse veröffentlicht wurden. Trotz des unausgeglichenen Datensatzes schnitt das optimierte ML-Modell zur Vorhersage der Druckbarkeit deutlich besser ab als die herkömmliche Anleitung.

Für die Arzneimittelformulierung wurde Tintenstrahldruck verwendet, um Arzneimittel auf Schmelzfolien, bioadhäsive Folien für die zervikale Verabreichung und transdermale Mikronadeln zu laden, so die Autoren. Der Tintenstrahldruck wurde auch verwendet, um mit Medikamenten beladene Mikro- und Nanopartikel zu verteilen, die in der Tintenflüssigkeit dispergiert sind.

Der Tintenstrahldruck kann auch mit anderen additiven Fertigungstechnologien kombiniert werden, die mit herkömmlichen Fertigungstechnologien sonst nicht erreichbar wären.

Zusammenarbeit zur Herstellung von Arzneimitteln im 3D-Siebdruck

In einer im Artikel hervorgehobenen Studie wurde beispielsweise Tintenstrahldruck in Verbindung mit FDM™-3D-Druck verwendet, um mit Medikamenten beladene Tabletten mit aufgedruckten QR-Codes (Quick Response) herzustellen. Diese QR-Codes wurden entwickelt, um patientenbezogene Informationen zu verschlüsseln, die mit einem Smartphone gelesen werden können, und als Strategie zum Schutz vor Fälschungen zu dienen.

In einer anderen Studie wurden auch orodispersible Substrate und Kapseln mit aufgedruckten QR-Codes hergestellt. In einer anderen Fallstudie, die in der Arbeit vorgestellt wird, wurde Tintenstrahldruck verwendet, um die gesamten mit Medikamenten beladenen 3D-Tabletten herzustellen.

Carou-Senra et al. kam zu dem Schluss, dass die Studie zeigt, dass Modelle des maschinellen Lernens „vor der Formulierungsvorbereitung prädiktive Einblicke in die Ergebnisse des Tintenstrahldrucks liefern können, was zu Ressourcen- und Zeiteinsparungen führt.“

Big Data, Dosierung, Arzneimittelentwicklung, Arzneimittelherstellung, Formulierung, Modelle, personalisierte Medizin, Forschung und Entwicklung (F&E), Technologie, Therapeutika

personalisierte Medizin