Paradigmas emergentes en la dosificación de precisión

El modelado farmacocinético basado en la fisiología (PBPK, por sus siglas en inglés) puede utilizarse para orientar la dosificación precisa de fármacos al proporcionar un marco mecanicista del cuerpo como un sistema de procesos fisiológicos entre compartimentos orgánicos interconectados. La farmacocinética basada en la fisiología (PBPK, por sus siglas en inglés) permite predecir la disposición de los fármacos en diferentes dosis y poblaciones especiales. Los modelos farmacocinéticos basados en la fisiología (PBPK, por sus siglas en inglés) extrapolan a partir de los datos in vitro e in vivo disponibles para caracterizar la absorción, la distribución, el metabolismo y la excreción. Los resultados de la farmacocinética basada en la fisiología (PBPK) son cada vez más aceptados por las agencias reguladoras para la optimización de dosis, las pautas para poblaciones especiales y la evaluación de interacciones farmacológicas.

Los métodos bayesianos mejoran la dosificación de precisión al combinar modelos farmacocinéticos poblacionales con los resultados de la monitorización de fármacos en pacientes individuales para permitir la optimización temprana de la dosis, el control adaptativo por retroalimentación y la integración de covariables específicas del paciente, como la función renal. La estimación bayesiana se ha incorporado a las directrices de dosificación de fármacos con índices terapéuticos estrechos (p. ej., vancomicina) (1, 2). Las directrices actuales de dosificación de vancomicina, que incorporan esta metodología, han mostrado una utilidad clínica significativa, particularmente en poblaciones pediátricas, donde los algoritmos bayesianos ponderados y aplanados mejoran la determinación individualizada de la dosis (1, 2). 

Las aplicaciones de aprendizaje automático e inteligencia artificial (IA) (p. ej., modelos basados en árboles de decisión, algoritmos de potenciación, redes neuronales, enfoques de aprendizaje profundo) complementan los enfoques farmacométricos tradicionales al identificar relaciones no lineales en datos complejos de alta dimensionalidad (3, 4, 5). Las aplicaciones abarcan la predicción de la exposición, la optimización de la dosis, el apoyo a la decisión clínica y el modelado de fármacos, particularmente en contextos de alta variabilidad (5, 6). Las estrategias modernas de dosificación de precisión integran cada vez más el modelado de fármacos, la estimación bayesiana y los enfoques de aprendizaje automático (3, 7). La terapia individualizada en tiempo real dentro de los sistemas de apoyo a la decisión clínica optimiza las estrategias de dosificación en entornos clínicos utilizando datos específicos del paciente en constante evolución (8, 9, 10). 

Los pacientes con alta variabilidad farmacocinética y aquellos subrepresentados en los ensayos clínicos obtienen el mayor beneficio de la integración del aprendizaje automático en el modelado farmacocinético, incluidos los pacientes en estado crítico, las poblaciones pediátricas, las personas con obesidad o insuficiencia orgánica y los pacientes que reciben fármacos con ventanas terapéuticas estrechas (4, 5, 6, 11, 12, 13).