Des chercheurs de l'Université Brown ont mis au point une nouvelle méthode d'intelligence artificielle capable de prédire avec précision la vitesse de libération des principes actifs dans les systèmes de médicaments à libération contrôlée. Cette approche, publiée en 2026 dans le Journal of Drug Delivery Science and Technology, pourrait réduire considérablement les délais et les coûts de développement des patchs, pansements et implants thérapeutiques. Actuellement, la conception de ces matériaux repose entièrement sur des cycles d'expérimentation longs et répétitifs. L'équipe, dirigée par le professeur associé en ingénierie Vikas Srivastava, a développé des réseaux neuronaux dits physiquement informés. Contrairement aux modèles d'IA classiques qui nécessitent d'immenses jeux de données, ces réseaux intègrent directement des lois physiques fondamentales dans leur architecture. Cette méthode, initialement conçue par le mathématicien George Karniadakis, combine les observations expérimentales à court terme avec la loi de diffusion de Fick, qui décrit le mouvement des molécules des zones de forte concentration vers les zones plus faibles. Pour valider leur modèle, les chercheurs ont testé leurs algorithmes sur des données existantes provenant de divers matériaux à libération contrôlée. Ils ont démontré que le système n'avait besoin que des six premiers pour cent des données expérimentales pour prédire avec exactitude le comportement à long terme des matériaux simples. Pour les structures plus complexes, comme les dispositifs plissés, la proportion nécessaire monte à trente-trois pour cent. Selon Vikas Srivastava, cette efficacité réduit le temps d'expérimentation de quatre-vingt-quatorze pour cent pour les systèmes simples et de soixante-sept pour cent pour les plus élaborés. Afin de gérer les imprécisions inhérentes aux tests en laboratoire, l'équipe a également intégré des statistiques bayésiennes au modèle. Cette amélioration permet de quantifier les incertitudes et d'affiner la reproductibilité des résultats. Bien que l'étude se soit concentrée sur les dispositifs externes, les mêmes principes s'appliquent aux comprimés et autres formes pharmaceutiques à libération prolongée. Cette avancée illustre le potentiel concret de l'intelligence artificielle dans le secteur pharmaceutique. En accélérant la phase de recherche et développement, elle ouvre la voie à des traitements plus accessibles et à une mise sur le marché plus rapide des innovations thérapeutiques pour les patients.