Aplicação de algoritmos de machine learning na área farmacêutica: uma revisão
DOI:
https://doi.org/10.33448/rsd-v10i15.22862Palavras-chave:
Árvore de decisão; Regressão linear de mínimos; Regressão logística; Indústria farmacêutica; Naive bayes; Suportt vector machine.Resumo
A indústria farmacêutica com toda sua importância vem inovando e revolucionando no decorrer do tempo. A tecnologia da informação e seus segmentos, tem um papel imprescindível para que as mudanças ocorram, e este projeto mostrará o cenário de crescimento da indústria farmacêutica e a importância de sua tecnologia no Brasil, no mundo e o uso de algoritmos como ferramentas essenciais em diversas áreas do campo farmacêutico. No decorrer deste projeto, até o seu fim, será apresentado pontos mostrando como está o cenário industrial, tecnologias farmacêuticas, algoritmos sendo imprescindíveis na resolução de problemas, alianças entre indústrias, inovações para novos medicamentos, atendimentos e tratamentos. Trata-se de uma revisão de literatura integrativa utilizando as plataformas Google Acadêmico, PubMed, Scielo e Science Direct para buscar de artigos do período de 2003 a 2021 sobre aplicação de algoritmos de machine learning na área farmacêutica. O uso de algoritmos se mostrou eficaz facilitando no desenvolvimento de novas drogas e para resolver problemas existentes.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Tarcio Correia de Campos; Tibério Cesar Lima de Vasconcelos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
