Revisión sistemática sobre la aplicación de machine learning en farmacocinética sobre población pediátrica

Abstract

Introducción: La farmacocinética es una disciplina clave para personalizar y optimizar los tratamientos farmacológicos de los pacientes. Este enfoque resulta especialmente útil en aquellas poblaciones con una alta variabilidad interindividual como la población pediátrica. Con el avance de la tecnología, se han desarrollado nuevas técnicas prometedoras como el caso del “machine learning” el cual, se posiciona como un claro sucesor a los modelos farmacocinéticos poblacionales clásicos. Por este motivo, es importante analizar el impacto de dicha tecnología en el ámbito farmacocinético. Objetivos: Realizar una búsqueda sistemática sobre la aplicación de “machine learning” en farmacocinética en población pediátrica, mediante la búsqueda de artículos en las principales bases de datos científicas. Material y métodos: Realizar una revisión sistemática de los artículos recuperados en bases de datos científicas MEDLINE (PubMed) y Scopus. Se genero una ecuación de búsqueda con los descriptores “Machine learning”, “Pharmacokinetics” y “Drug monitoring” aplicando el filtro de edad (<18 años). Resultados: Tras obtener un total de 173 artículos tras la revisión, solamente 7 estudios fueron aceptados para su revisión y análisis. Los artículos incluidos cumplían con los objetivos del presente TFG, redactados en inglés y recuperados en texto completo. Conclusiones: La aplicación de Machine Learning en farmacocinética pediátrica se postula como la evolución natural a los modelos clásicos debido a su mejora en la eficacia y precisión para ajustar dosis. Pese a esto se necesita una mayor validación clínica y desarrollo para su implementación final.