La promesa de los programas recientes de desarrollo de fármacos era sencilla: disponer de grandes conjuntos de datos y el aprendizaje automático resolvería problemas de larga data en el descubrimiento, el desarrollo y la prueba de nuevos fármacos. Sin embargo, muchos de estos programas han tropezado recientemente.
Es importante que el sector y los pacientes comprendan por qué ocurre esto y corrijan estos problemas de crecimiento.
A continuación se explica cómo podemos superar 5 obstáculos clave y aprovechar la IA para el descubrimiento y desarrollo de fármacos.
En los últimos años, quienes aplican la informática a la biología no han tenido dificultades para obtener fondos que les permitan llevar sus innovaciones directamente al mundo comercial. La promesa era sencilla: disponer de grandes conjuntos de datos y el aprendizaje automático resolvería problemas de larga data en el descubrimiento, el desarrollo y la prueba de nuevos fármacos.
Sin embargo, muchos de estos primeros programas de desarrollo de fármacos han tropezado. Es importante que el sector y los pacientes comprendan por qué ocurre esto y corrijan estos problemas de crecimiento. Hasta la fecha, hemos identificado cinco obstáculos clave para el éxito y mostramos cómo superarlos.
1. Los datos de los pacientes son fundamentales
En los ámbitos de la tecnología y la biotecnología, trasladar el conocimiento innovador de un laboratorio académico para resolver un problema técnico con conjuntos de datos bien definidos es un camino probado hacia el éxito. Sin embargo, la aplicación de la inteligencia artificial (IA) a la medicina, a menudo denominada «techbio», tiene menos que ver con la «tecnología» y más con la «biología» en el sentido más amplio del término.
Los datos necesarios para tener éxito suelen ser más variados, proceden de más lugares y, de manera crucial, provienen de pacientes reales dentro de la complejidad de múltiples entornos sanitarios.
Demasiadas personas recurrieron primero a lo que tenían a mano y era más sencillo: líneas celulares, bibliotecas químicas y modelos de ratón. Sin embargo, esto no aprovecha el potencial novedoso de la IA. Por primera vez, podemos analizar a gran escala tipos de datos de pacientes realmente masivos y relativamente nuevos, desde las láminas de patología digital hasta los genomas o los perfiles proteómicos. En otras palabras, ya no tenemos que trabajar con simplificaciones modelizadas de la biología humana.
Y, dado que todo gira en torno a los pacientes, los datos también deben hacerlo. Esto implica ir más allá de la extracción de datos y de los sistemas modelo, e implicar la participación de los pacientes de los que proceden los datos, así como de los médicos y expertos que trabajan con ellos.
¿Qué está haciendo el Foro Económico Mundial para mejorar los sistemas sanitarios?
El Centro para la Salud y la Atención Sanitaria conecta a líderes para comprender los desafíos que enfrentan los sistemas de salud en todo el mundo, entre ellos el acceso, la equidad, la resiliencia y la preparación.
A través del diálogo de confianza y la colaboración público-privada, el Centro permite a los socios alinearse en torno a prioridades compartidas y avanzar en la acción colectiva para mejorar los resultados en salud.
2. Mantenerse cerca del ámbito académico
En la práctica médica, la inteligencia humana debe preceder, y seguir, a la artificial. Las universidades y los hospitales de investigación son los lugares donde se encuentra. Por ello, un factor decisivo para aumentar el éxito de la IA en la mejora de la medicina radica en forjar alianzas profundas y a largo plazo con universidades y hospitales de investigación.
No se trata de una vía de un solo sentido, sino de una red de amplias avenidas de interacción constante entre el ámbito académico, la industria farmacéutica y las empresas de techbio. Nuevas formas de interacción, como el aprendizaje federado que preserva la privacidad, permiten entrenar modelos de aprendizaje automático de forma remota con grandes conjuntos de datos multimodales sin tener que trasladarlos. Esto puede impulsar la investigación básica, el diagnóstico y el descubrimiento de fármacos, ofreciendo un flujo constante de beneficios a los pacientes, a la vez que preserva la privacidad y maximiza el uso de datos más diversos.
3. Los problemas multidimensionales requieren datos multimodales
En esta etapa del camino de la IA en medicina, podemos afirmar con confianza que la IA nos brinda con éxito una nueva forma de observar la biología humana.
Una sola lámina de patología digital, por ejemplo, contiene tantos datos como un largometraje, y solo el aprendizaje automático puede aprovecharlos plenamente. Sin embargo, para comprender la enfermedad y poder modificar su curso, es esencial abarcar la complejidad de la biología en todas las escalas, desde las moléculas hasta las células, los tejidos, el microentorno de la enfermedad y el organismo en su conjunto.
Para ello, debemos desarrollar una IA que vaya más allá de las tareas unimodales. Necesitamos trabajar con imágenes médicas y las tecnologías más avanzadas de perfilado molecular que pueden registrar la actividad y la ubicación de las biomoléculas (denominadas ómicas espaciales), salvando la brecha entre lo microscópico y lo macroscópico. Al combinar la IA con dichos conjuntos de datos, podemos comprender la enfermedad desde la predisposición hasta la progresión y el tratamiento.
4. Mejorar las probabilidades en los ensayos clínicos
La gran mayoría de las terapias experimentales fracasan en los ensayos clínicos. Esto resulta enormemente costoso tanto para la sociedad como para la industria. Llegan menos tratamientos potencialmente prometedores a los pacientes, y el coste de estos fracasos drena los recursos que de otro modo estarían disponibles para financiar nuevos programas en las numerosas áreas de necesidad no cubierta.
Una razón principal de ello es la estructura de los propios ensayos. En un mundo ideal, los fármacos se dirigirían a la biología subyacente de enfermedades bien definidas y solo se probarían en personas con dicha enfermedad. Los ensayos clínicos podrían entonces ser muy pequeños y casi siempre exitosos. En la práctica, no sabemos ni de lejos tanto como deberíamos sobre las enfermedades, el funcionamiento de los fármacos o el tipo exacto de enfermedad de los participantes en los ensayos.
La IA puede ayudarnos a dar estos pasos mejor de lo que imaginábamos hace solo unos años. Por primera vez, el aprendizaje automático nos permite cartografiar procesos patológicos completos. Con el tiempo, eso nos brindará nuevas y emocionantes terapias.
Pero, incluso hoy, e incluso con los medicamentos existentes, podemos utilizar diagnósticos impulsados por IA para diagnosticar mejor a los pacientes, inscribir a quienes tienen más probabilidades de responder en los ensayos clínicos e incluso optimizar las covariables de los ensayos, que con demasiada frecuencia enturbian la potencia estadística de los ensayos, para inclinar las probabilidades de éxito a nuestro favor.
5. Los reguladores como socios en la innovación
Junto con su inmenso potencial, la IA plantea desafíos regulatorios en torno al posible sesgo de los algoritmos, el uso adecuado de los datos personales y, sobre todo, la garantía de que los pacientes se beneficien.
Reguladores como la Agencia Europea de Medicamentos (EMA) y la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) están muy comprometidos con estas nuevas tecnologías, aplicando sus enfoques prudentes basados en el riesgo a la innovación en medicina de precisión. Comprensiblemente, el mayor interés por la medicina impulsada por IA/AM debería permitir cohortes de ensayos clínicos más pequeñas, mejores tasas de aprobación y menores costes globales.
La industria puede hacer su parte para ayudar a los reguladores mostrando con claridad el potencial y cualquier riesgo en sus investigaciones. Las normas de IA explicable y de Buenas Prácticas (GxP) ofrecen directrices útiles, y los modelos transparentes y los resultados publicados y revisados por pares refuerzan las mejores prácticas, la rendición de cuentas y la confianza pública.
Sobre todo, un enfoque de investigación ético y centrado en el paciente configurará el panorama de la innovación de una manera que priorice de forma constante una mejor salud y atención. Esto acelerará el uso exitoso de la IA para transformar la forma en que descubrimos, probamos y llevamos nuevas terapias al mercado.
