Aplicación de algoritmos de machine learning en el área farmacéutica: revisión
DOI:
https://doi.org/10.33448/rsd-v10i15.22862Palabras clave:
Árbol de decisión; Regresión lineal de mínimos; Máquina de vectores de apoyo; Regresión logística; Bayes ingenuos; Industria farmacéutica.Resumen
La industria farmacéutica con toda su importancia viene innovando y revolucionando en el curso del tiempo. La tecnología de la información y sus seguimientos, tiene un papel indispensable para que las mudanzas ocurran, y este proyecto mostrará el escenario de crecimiento de la industria farmacéutica y la importancia de su tecnología en Brasil, en el mundo y el uso de algoritmos como herramientas esenciales en muchos ámbitos del campo farmacéutico. En el transcurso del proyecto, hasta su conclusión, se presentará puntos mostrando como se encuentra el escenario industrial, tecnologías farmacéuticas, algoritmos siendo imprescindibles en la resolución de problemas, alianzas entre industrias, innovaciones para nuevos medicamentos, atendimientos y tratamientos. Se trata de una revisión integradora de literatura utilizando las plataformas Google Scholar, PubMed, Scielo y Science Direct para la búsqueda de artículos desde 2003 hasta 2021 sobre la aplicación de algoritmos de aprendizaje automática en el sector farmacéutico. El uso de algoritmos demostró ser eficaz, facilitando el desarrollo de nuevos fármacos y para resolver problemas existentes.
Citas
Al-Tahat, M. D., Jawwad, A. K. M. A., & Nahleh, Y. L. A. (2013). Ordinal logistic regression model of failure mode and effects analysis (FMEA) in pharmaceutical tabletting tools. Engineering Failure Analysis, 27, 322-332.
Andreas, C. J., Rosenberger, J., Butler, J., Augustijns, P., McAllister, M., Abrahamsson, B., & Dressman, J. (2018). Introduction to the OrBiTo decision tree to select the most appropriate in vitro methodology for release testing of solid oral dosage forms during development. European Journal of Pharmaceutics and Biopharmaceutics, 130, 207-213.
Andri, B., Dispas, A., Marini, R. D. E. A., Hubert, P., Sassiat, P., Al Bakain, R., ... & Vial, J. (2017). Combination of partial least squares regression and design of experiments to model the retention of pharmaceutical compounds in supercritical fluid chromatography. Journal of Chromatography A, 1491, 182-194.
Anwar, B. H., Abdelhamid, N. S., Magdy, M. A., & Naguib, I. A. (2020). Linear support vector regression and partial least-squares for determination of dapoxetine hydrochloride and tadalafil in binary pharmaceutical mixtures. Journal of AOAC International, 103(1), 132-139.
Arsene, C. Artificial Intelligence & Pharma: o que vem a seguir? Digital Authority Partners, 04 August 2020.
Balbinotto Neto, Giácomo. Análise de decisão aplicada à farmacoeconomia. In Instituto de Avaliação de Tecnologia em Saúde. P. 1-303, 23. Porto Alegre.
Bulgaru, I. Indústria farmacêutica na era da inteligência artificial: o futuro é brilhante. 12 May 2020.
Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug design by machine learning: support vector machines for pharmaceutical data analysis. Computers & chemistry, 26(1), 5-14.
Burgalassi, S., Ceccanti, S., Vecchiani, S., Leonangeli, G., Federigi, I., Carducci, A., & Verani, M. (2021). Objectionable microorganisms in pharmaceutical production: Validation of a decision tree. European Journal of Pharmaceutical Sciences, 166, 105984.
Cabral, C. I. S. (2013). Aplicação do modelo de regressão logística num estudo de mercado (Doctoral dissertation).
Camargo, A. C. M. Inovações farmacêuticas no Brasil. In Uniemp Inovação. ano I, n. 1, september 2004.
Gadelha, C. A. G. (2012). A dinâmica do sistema produtivo da saúde: inovação e complexo econômico-industrial. Editora Fiocruz.
Gomes, R. D. P., Pimentel, V. P., Cardoso, M. L., & Pieroni, J. P. (2014). O novo cenário de concorrência na indústria farmacêutica brasileira.
Herneisey, M., Lambert, E., Kachel, A., Shychuck, E., Drennen, J. K., & Janjic, J. M. (2019). Quality by design approach using multiple linear and logistic regression modeling enables microemulsion scale up. Molecules, 24(11), 2066.
Ilyas, H., Masih, I., & van Hullebusch, E. D. (2021). A decision tree framework to support design, operation, and performance assessment of constructed wetlands for the removal of emerging organic contaminants. Science of the Total Environment, 760, 143334.
Indraja, B., & Annapurani, K. (2018). Classification of medicines using naive bayes classifier. Research Journal of Pharmacy and Technology, 11(5), 1940-1944.
Rojas Jesus, A. D. R. (2018). A indústria farmacêutica: um estudo focado nos tratados internacionais e no comércio exterior do Peru.
Koerich, G. V., de Lorenzi Cancellier, É. L. P., & Tezza, R. (2014). Capacidade de absorção em pequenas empresas: proposição de um instrumento de medição. VII Encontro de estudos em empreendedorismo e gestão de pequenas empresas (EGEPE). Goiânia, 01-18.
Koromina, M., Pandi, M. T., & Patrinos, G. P. (2019). Rethinking drug repositioning and development with artificial intelligence, machine learning, and omics. Omics: a journal of integrative biology, 23(11), 539-548.
Liu, P., & Zeng, Z. (2021). Evaluation of financial credit risk on pharmaceutical supply chain based on support vector machine. In Journal of Physics: Conference Series (Vol. 1774, No. 1, p. 012030). IOP Publishing.
Lobato, A. O. C., & Ortiz, R. M. (2019). A inovação e a proteção da propriedade intelectual no Brasil: análise da dependência nacional da tecnologia farmacêutica estrangeira. Revista GEINTEC, 9(1), 4809-4824.
Mak, K. K., & Pichika, M. R. (2019). Artificial intelligence in drug development: present status and future prospects. Drug discovery today, 24(3), 773-780.
Medeiros, A. R. C., Araújo, Y. B. D., Vianna, R. P. D. T., & Moraes, R. M. D. (2014). Modelo de suporte à decisão aplicado à identificação de indivíduos não aderentes ao tratamento anti-hipertensivo. Saúde em debate, 38, 104-118.
Mesquita, M. A. D., & Santoro, M. C. (2004). Análise de modelos e práticas de planejamento e controle da produção na indústria farmacêutica. Production, 14, 64-77.
Nishijima, M., Biasoto Jr, G., & Lagroteria, E. (2014). A competição no mercado farmacêutico brasileiro após uma década de medicamentos genéricos: uma análise de rivalidade em um mercado regulado. Economia e sociedade, 23, 155-186.
Norinder, U. (2003). Support vector machine models in drug design: applications to drug transport processes and QSAR using simplex optimisations and variable selection. Neurocomputing, 55(1-2), 337-346.
Paula, G. N. D. (2001). Os desafios da indústria farmacêutica global e o redesenho do negócio pela Merck. Revista de Administração de Empresas, 41, 76-87.
Santos, M. C. B. G., & Pinho, M. (2012). Estratégias tecnológicas em transformação: um estudo da indústria farmacêutica brasileira. Gestão & Produção, 19, 405-418.
Souza, R. C., & Raminelli, J. Aplicação do modelo linear na avaliação de dados de estabilidade de medicamento. Semina: Ciências Exatas e Tecnológicas, 34(1), 57-66.
Tierney, S. Artificial intelligence in pharma: utilising a valuable resource. In European Pharmaceutical Review. P. 1-1, 10 March. 2020.
Torres, R. L. (2015). Capacitação tecnológica na indústria farmacêutica brasileira. Rio de Janeiro: UFRJ (Tese de Doutorado em Economia da Indústria e da Tecnologia).
Vargas, M. A. (2017). Indústria de base química no Brasil: potencialidades, desafios e nichos estratégicos. Gadelha P, Gadelha CAG, Noronha JC, Pereira TR, organizadores. Brasil Saúde Amanhã: complexo econômico industrial da saúde. Rio de Janeiro: Editora Fiocruz.
Whittemore, R.; Knafl, K. The integrative review: updated methodology. Journal of advanced nursing, 52(5), 546-553, 2000.
Zhang, H., Mao, J., Qi, H. Z., Xie, H. Z., Shen, C., Liu, C. T., & Ding, L. (2020). Developing novel computational prediction models for assessing chemical-induced neurotoxicity using naïve Bayes classifier technique. Food and Chemical Toxicology, 143, 111513.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Tarcio Correia de Campos; Tibério Cesar Lima de Vasconcelos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
