[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-119516-es":3,"doc-seo-119516-110":30,"detail-sidebar-cat-0-es-110":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":11,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},119516,962085570644,"Evangeline","https://ap-avatar.wpscdn.com/davatar_994ba38a5ba835b3df7d355c54d3ed8d",41,"Investigación e Informes","Revisión sistemática sobre la aplicación de machine learning en farmacocinéticas sobre población pediátrica - memoria de trabajo fin de grado","La memoria presenta una revisión sistemática sobre la aplicación de machine learning en el ámbito de la farmacocinética en población pediátrica, con el objetivo de valorar el impacto de esta tecnología frente a los modelos farmacocinéticos poblacionales clásicos. Se contextualiza la relevancia de la farmacocinética, la farmacocinética poblacional y la farmacometría, destacando la alta variabilidad interindividual propia de los pacientes pediátricos y la influencia de la edad sobre LADME. La estrategia de búsqueda emplea MEDLINE (PubMed) y Scopus, filtrando estudios de menores de 18 años. Tras recuperar 173 artículos, se incluyen 7 para análisis y revisión, que cumplen criterios de objetivos, idioma inglés y texto completo. Se concluye que el machine learning mejora eficacia y precisión para ajustar dosis, aunque requiere mayor validación clínica y desarrollo para su implementación final.","# FACULTAD DE FARMACIA\n\nGrado en Farmacia  \n# REVISIÓN SISTEMÁTICA SOBRE LA\n\nAPLICACIÓN DE MACHINELEARNING EN FARMACOCINÉTICASOBRE POBLACIÓN PEDIÁTRICA  \nMemoria de Trabajo Fin de GradoSant Joan d’AlacantJunio 2025  \nAutor: Sergio Medina Moya  \nModalidad: Revisión bibliográfica  \nTutor: Amelia Ramón López  \nÍNDICE  \nTablade contenido  \n1. RESUMEN:............................................................................................................ 2  \n2. INTRODUCCIÓN:.................................................................................................. 3  \n2.1. FARMACOCINÉTICA:................................................................................... 4  \n2.2. FARMACOCINÉTICA POBLACIONAL: ......................................................... 6  \n2.3. MACHINE LEARNING:.................................................................................. 9  \n3. OBJETIVO:.......................................................................................................... 11  \n4. MATERIALES Y MÉTODOS:............................................................................... 11  \n4.1. Diseño: ........................................................................................................ 11  \n4.2. Fuente de la obtención de datos:................................................................. 11  \n4.3. Tratamiento de la información: .................................................................... 11  \n4.4. Selección final de artículos: ......................................................................... 12  \n5. RESULTADOS: ................................................................................................... 13  \n6. DISCUSIÓN:........................................................................................................ 16  \n7. CONCLUSIONES: ............................................................................................... 39  \n8. BIBLIOGRAFÍA:................................................................................................... 40  \n## 1.RESUMEN:\n\nIntroducción: La farmacocinética es una disciplina clave para personalizar yoptimizar lostratamientos farmacológicos de los pacientes. Este enfoque resultaespecialmente útil en aquellas poblaciones con una alta variabilidadinterindividual como la población pediátrica. Con el avance de la tecnología, sehan desarrollado nuevas técnicas prometedoras como el caso del “machinelearning” el cual, se posiciona como un claro sucesor a los modelosfarmacocinéticos poblacionales clásicos. Por este motivo, es importante analizarel impacto de dicha tecnología en el ámbito farmacocinético.  \nObjetivos: Realizar una búsqueda sistemática sobre la aplicación de “machinelearning”en farmacocinética en población pediátrica, mediante la búsqueda deartículos en las principales bases de datos científicas.  \nMaterial y métodos: Realizar una revisión sistemática de los artículosrecuperados en bases de datos científicas MEDLINE (PubMed) y Scopus. Segenero una ecuación de búsqueda con los descriptores“ Machine learning” ,“Pharmacokinetics” y “Drug monitoring”aplicando el filtro de edad (\u003C18 años) .  \nResultados: Tras obtener un total de 173 artículos tras la revisión, solamente 7estudios fueron aceptados para su revisión y análisis. Los artículos incluidoscumplían con los objetivos del presenteTFG , redactadoseninglésy recuperadosen texto completo.  \nConclusiones: La aplicaciónde Machine Learning en farmacocinética pediátricase postula como la evolución natural a los modelos clásicos debido a su mejoraen la eficacia y precisión para ajustar dosis. Pese a esto se necesita una mayorvalidación clínica y desarrollo para su implementación final.  \n## 2.INTRODUCCIÓN:\n\nA lo largo de la historia, elavance en la tecnología ha supuesto grandescambiosen multitud de áreas, incluida la farmacología. Este trabajo analiza el papel delmachine learning (ML) y cuál es su impacto en farmacocinéticay farmacometria,disciplinas clave en","cbCaiiXfHaetnlLC","https://ap.wps.com/l/cbCaiiXfHaetnlLC","pdf",1049428,4,1,"Spanish","es",110,"# RESUMEN\n# INTRODUCCIÓN\n## FARMACOCINÉTICA\n## FARMACOCINÉTICA POBLACIONAL\n## MACHINE LEARNING\n# OBJETIVO\n# MATERIALES Y MÉTODOS\n## Diseño\n## Fuente de la obtención de datos\n## Tratamiento de la información\n## Selección final de artículos\n# RESULTADOS\n# DISCUSIÓN\n# CONCLUSIONES\n# BIBLIOGRAFÍA","[{\"question\":\"Cuál es el objetivo de la revisión sistemática?\",\"answer\":\"Realizar una búsqueda sistemática sobre la aplicación de machine learning en farmacocinética en población pediátrica mediante la recuperación de artículos en bases de datos científicas principales.\"},{\"question\":\"Qué bases de datos y criterios se usaron en la búsqueda?\",\"answer\":\"La revisión utilizó MEDLINE (PubMed) y Scopus, con una ecuación basada en los descriptores “Machine learning”, “Pharmacokinetics” y “Drug monitoring”, aplicando un filtro de edad (\\u003c18 años).\"},{\"question\":\"Cuáles fueron los principales resultados y conclusiones?\",\"answer\":\"Tras recuperar 173 artículos, solo 7 cumplieron criterios y se incluyeron en el análisis. La aplicación de machine learning se plantea como una evolución de los modelos clásicos por su potencial mejora en eficacia y precisión para ajustar dosis, aunque se necesita más validación clínica y desarrollo para implementarse de forma definitiva.\"}]","Revisión sistemática sobre la aplicación de machine learning en farmacocinéticas sobre población pediátrica - memoria de trabajo fin de grado | PDF",1785724731,63,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"systematic-review-on-the-application-of-machine-learning-in-pharmacokinetics-in-pediatric-population-final-degree-project-report","",{"@graph":36,"@context":85},[37,53,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/es/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":43,"position":20},"https://docshare.wps.com/es/document/systematic-review-on-the-application-of-machine-learning-in-pharmacokinetics-in-pediatric-population-final-degree-project-report/119516/",{"url":52,"name":13,"@type":54,"author":55,"headline":13,"publisher":57,"fileFormat":60,"inLanguage":23,"description":14,"dateModified":61,"datePublished":62,"encodingFormat":60,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":56},"Person",{"url":41,"name":58,"@type":59},"DocShare","Organization","application/pdf","2026-08-30","2026-08-03",true,{"@type":65,"interactionType":66,"userInteractionCount":20},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Cuál es el objetivo de la revisión sistemática?","Question",{"text":75,"@type":76},"Realizar una búsqueda sistemática sobre la aplicación de machine learning en farmacocinética en población pediátrica mediante la recuperación de artículos en bases de datos científicas principales.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Qué bases de datos y criterios se usaron en la búsqueda?",{"text":80,"@type":76},"La revisión utilizó MEDLINE (PubMed) y Scopus, con una ecuación basada en los descriptores “Machine learning”, “Pharmacokinetics” y “Drug monitoring”, aplicando un filtro de edad (\u003C18 años).",{"name":82,"@type":73,"acceptedAnswer":83},"Cuáles fueron los principales resultados y conclusiones?",{"text":84,"@type":76},"Tras recuperar 173 artículos, solo 7 cumplieron criterios y se incluyeron en el análisis. La aplicación de machine learning se plantea como una evolución de los modelos clásicos por su potencial mejora en eficacia y precisión para ajustar dosis, aunque se necesita más validación clínica y desarrollo para implementarse de forma definitiva.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":58,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,98,102,106,110,112,116,120,124,128],{"id":94,"doc_module":4,"doc_module_name":46,"category_name":95,"show_sort_weight":96,"slug":97},39,"Cómic",60,"comic",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":96,"slug":101},43,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":96,"slug":105},38,"Examen","exam",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":96,"slug":109},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":96,"slug":111},"research-report",{"id":113,"doc_module":4,"doc_module_name":46,"category_name":114,"show_sort_weight":96,"slug":115},37,"Literatura","literature",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":96,"slug":119},22,"Relatos y Novelas","story-novel",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":96,"slug":123},42,"Religión y Espiritualidad","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":96,"slug":127},40,"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":96,"slug":131},24,"Tecnología","technology"]