EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitOpen Access · CC BY 4.0

Data-Driven Development of Biomedical Hydrogels for Controlled Drug Delivery: Clinical Applications and Emerging Machine-Learning Approaches

Datengetriebene Entwicklung biomedizinischer Hydrogele für die kontrollierte Arzneimittelabgabe: klinische Anwendungen und neue Machine-Learning-Ansätze

Elham Eskandarnia iD, Ayah Binrajab iD, Adnan Alsaei iD, Fatema Rahimi iD, Nasser Alahmed iD, Ahmad Zarwi iD, G Roshan Deen

Journal of Functional Biomaterials · 02.09.2026 · 17 (9) · 444

DOI: 10.3390/jfb17090444 ↗

Auf einen Blick

Der Review beschreibt biomedizinische Hydrogele für die kontrollierte Arzneimittelabgabe und neue Machine-Learning-Ansätze zur Materialauswahl, Formulierung und Freisetzungsprognose. Klinische Anwendungen und Übersetzungsprobleme werden zusammengefasst.

Fragestellung

Wie können datengetriebene Methoden und Machine Learning die Entwicklung biomedizinischer Hydrogele für die kontrollierte Arzneimittelabgabe unterstützen?

Methode

Review zu biomedizinischen Hydrogelen, klinischen Anwendungen und Machine-Learning-Ansätzen zur Materialauswahl, Formulierungs- und Syntheseoptimierung sowie Freisetzungsprognose.

Ergebnisse

Es werden natürliche und synthetische Hydrogele, darunter Alginate, Chitosan, Gelatine-Systeme, Hyaluronsäure und Polyethylenglykol, sowie Anwendungen bei Wundheilung, Krebstherapie, insulinabhängiger Glukoseantwort und entzündlichen Erkrankungen beschrieben. Genannt werden random forest, gradient boosting, künstliche neuronale Netze, Gaussian process regression und active learning.

Einschränkungen

Kleine, nicht standardisierte Datensätze; begrenzte externe Validierung; schwache In-vitro-Klinik-Korrelationen; Sicherheits-, Erklärbarkeits-, Reproduzierbarkeits-, Skalierungs- und Regulierungsfragen.

Schlussfolgerung der Autor:innen

Der Review hebt Chancen hervor, durch die Verbindung klinischer, materialkundlicher, synthetischer und Machine-Learning-Perspektiven sicherere und klinisch relevante Hydrogel-basierte Arzneimittelabgabesysteme zu entwickeln.

Kernaussagen

  • Hydrogele können lokalisierte, nachhaltige oder stimulusresponsive Freisetzung ermöglichen.
  • Machine Learning wird für Eigenschaften, Freisetzung und Optimierung eingesetzt.
  • Übersetzungsprobleme betreffen Datenqualität, Validierung und Regulierung.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Journal of Functional Biomaterials, online erschienen am 02.09.2026. Verfasst von Elham Eskandarnia und 6 weiteren Autor:innen. Beteiligte Einrichtung: Faculty of Computer Studies, Arab Open University, Building 890, Street 3220, A'ali 732, Bahrain. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 162 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Hydrogels are hydrated three-dimensional polymeric networks with biomedical potential because they can encapsulate therapeutic agents and provide localised, sustained, or stimulus-responsive drug delivery. Their performance is determined by interacting variables, including polymer composition, synthesis route, crosslinking chemistry, drug loading, swelling, degradation, and the biological microenvironment. This multidimensional design space often makes hydrogel development slow and dependent on trial-and-error experimentation. This review examines the data-driven development of biomedical hydrogels for controlled drug delivery, focusing on clinical applications and emerging machine-learning approaches that support material selection, formulation design, synthesis optimisation, and release prediction. The review first discusses natural and synthetic hydrogels, including alginate, chitosan, gelatin-based systems, hyaluronic acid, and polyethylene glycol, with emphasis on how their physicochemical properties influence biocompatibility, synthesis flexibility, and drug-release behaviour. Key applications are then considered, including wound healing, cancer therapy, glucose-responsive insulin delivery, and inflammatory disease management. Particular attention is given to injectable and stimuli-responsive hydrogels, where formulation conditions and synthesis parameters can be tuned to improve localisation, therapeutic exposure, and release control. The review evaluates machine-learning methods, including random forest, gradient boosting, artificial neural networks, Gaussian process regression, and active learning, for predicting hydrogel properties, modelling release profiles, optimizing synthesis and formulation variables, and prioritizing experimental candidates. Finally, translational challenges are addressed, including small non-standardised datasets, limited external validation, weak in vitro-clinical correlations, material safety, explainability, reproducibility, scalability, and regulatory requirements. By integrating clinical, materials, synthesis, and machine-learning perspectives, this review highlights opportunities for developing safer and clinically relevant hydrogel-based drug-delivery systems.

Schlagwörter

Stichwörter der Autor:innen

biomedical hydrogelscontrolled drug deliveryformulation optimisationhydrogel synthesismachine learningstimuli-responsive hydrogels

Autor:innen und Institutionen

  • Faculty of Computer Studies, Arab Open University, Building 890, Street 3220, A'ali 732, Bahrain.
  • Materials for Medicine Research Group, School of Medicine, Royal College of Surgeons in Ireland (RCSI), Medical University of Bahrain, Busaiteen 228, Bahrain.

ORCID-Profile: Elham Eskandarnia, Ayah Binrajab, Adnan Alsaei, Fatema Rahimi, Nasser Alahmed, Ahmad Zarwi

Zitieren

APA

Eskandarnia, E., Binrajab, A., Alsaei, A., Rahimi, F., Alahmed, N., Zarwi, A., & Deen, G. R. (2026). Data-Driven Development of Biomedical Hydrogels for Controlled Drug Delivery: Clinical Applications and Emerging Machine-Learning Approaches. Journal of Functional Biomaterials, 17(9), 444. https://doi.org/10.3390/jfb17090444

Vancouver

Eskandarnia E, Binrajab A, Alsaei A, Rahimi F, Alahmed N, Zarwi A, et al. Data-Driven Development of Biomedical Hydrogels for Controlled Drug Delivery: Clinical Applications and Emerging Machine-Learning Approaches. Journal of Functional Biomaterials. 2026;17(9):444. doi:10.3390/jfb17090444

BibTeX
@article{Eskandarnia2026,
  author = {Eskandarnia, Elham and Binrajab, Ayah and Alsaei, Adnan and Rahimi, Fatema and Alahmed, Nasser and Zarwi, Ahmad and Deen, G Roshan},
  title = {Data-Driven Development of Biomedical Hydrogels for Controlled Drug Delivery: Clinical Applications and Emerging Machine-Learning Approaches},
  journal = {Journal of Functional Biomaterials},
  year = {2026},
  volume = {17},
  number = {9},
  pages = {444},
  doi = {10.3390/jfb17090444}
}
Kostenlos starten →