Forschende der Brown University haben ein KI-gestütztes Verfahren entwickelt, das die Entwicklung kontrolliert freisetzender Arzneiformen erheblich beschleunigen soll. Das im Jahr 2026 im Journal of Drug Delivery Science and Technology veröffentlichte Projekt nutzt physikinformierte neuronale Netzwerke, auch PINNs genannt. Unter der Leitung von Associate Professor Vikas Srivastava, der zusammen mit Daanish Qureshi und Khemraj Shukla die Forschung durchführte, integrieren diese Modelle grundlegende physikalische Prinzipien direkt in die Algorithmen. Damit umgeht die Methode den bisher üblichen, zeitintensiven Versuch-und-Irrtum-Prozess. Die Forschungsgruppe verknüpfte kurzfristige Laborwerte mit dem Fickschen Diffusionsgesetz, um die langfristige Wirkstofffreisetzung präzise zu simulieren. Die Ergebnisse zeigen eine drastische Effizienzsteigerung. Für einfache, ebene Materialstrukturen benötigten die PINN-Modelle lediglich sechs Prozent der bisherigen experimentellen Datengrundlage. Bei komplexeren Materialien mit Faltungen oder unebenen Oberflächen reichten 33 Prozent aus. Dies ermöglicht eine Reduktion der experimentellen Entwicklungszeit um bis zu 94 Prozent bei simplen und um 67 Prozent bei anspruchsvolleren Systemen. Zur Absicherung der Vorhersagen wurde das Modell zusätzlich um bayessche Statistik erweitert, was die Berücksichtigung typischer Laborunsicherheiten ermöglicht und die Trefferquote weiter optimiert. Der Ansatz adressiert ein zentrales Problem der pharmazeutischen Entwicklung. Da die Markteinführung neuer Wirkstoffträger oft aufwendige und teure Testreihen erfordert, liefert die neue KI-Methode eine verlässliche Prognosegrundlage bereits in frühen Phasen. Obwohl die Studie primär transdermale Pflaster und Verbandstoffe betrachtet, ist das Konzept universell auf Implantate und orale Darreichungsformen übertragbar. Die Forschenden betonen, dass die Symbiose aus physikalischem Modellwissen und maschinellem Lernen das Potenzial hat, Therapien schneller und kosteneffizienter zu Patienten zu bringen.