Evaluación comparativa de dispersiones sólidas amorfas ternarias: Identificación de sistemas excipientes óptimos para...

Área de la Ciencia:

• Ciencias Farmacéuticas
• Liberación de Fármacos
• Ciencia de Materiales

Sus antecedentes:

• La baja solubilidad acuosa de los Ingredientes Farmacéuticos Activos (API) limita la biodisponibilidad oral y la eficacia terapéutica.
• Las Dispersiones Sólidas Amorfas (ASD) son una estrategia clave para superar los desafíos de solubilidad de los API.
• Las ASD ternarias, que incorporan un tercer componente, ofrecen una mayor flexibilidad y rendimiento de la formulación.

Objetivo del estudio:

• Revisar sistemáticamente las estrategias de formulación para las ASD ternarias.
• Analizar los resultados comparativos y los mecanismos moleculares de las ASD ternarias.
• Evaluar las ASD ternarias en la mejora de la solubilidad, disolución, estabilidad y farmacocinética.

Principales métodos:

• Búsqueda bibliográfica exhaustiva (2015-2025) en Scopus, PubMed, Web of Science.
• Enfoque en estudios experimentales que evalúan ASD ternarias (Fármaco:Polímero:Polímero, Fármaco:Polímero:Surfactante, etc.).
• Selección basada en la mejora de la solubilidad, la disolución, la correlación in vitro-in vivo y las perspectivas mecanicistas.

Principales resultados:

• Las ASD ternarias superan a los sistemas binarios, y los sistemas basados en surfactantes muestran la mayor mejora de la solubilidad (hasta 810,81 veces).
• Los sistemas polímero-polímero y polímero-excipiente también mejoraron los parámetros de disolución y farmacocinéticos.
• Los mecanismos incluyen la micelización, la formación de enlaces de hidrógeno, la dispersión molecular y la inhibición de la recristalización.

Conclusiones:

• Los sistemas de dispersión sólida amorfa ternaria son un avance significativo para la formulación de fármacos poco solubles.
• Modulan eficazmente la solubilidad, la disolución y los resultados farmacológicos a través de interacciones moleculares.
• La investigación futura debe centrarse en la selección de componentes y el modelado predictivo para las ASD ternarias.