Añadir Estrategias de Inversión en Google
Un estudio revisado por pares y publicado en la revista científica Nature Reviews Drug Discovery advierte de que el impacto clínico de esta tecnología continúa siendo «decepcionantemente limitado».
Aunque los algoritmos han mejorado la identificación de posibles compuestos terapéuticos, convertir esas predicciones en tratamientos eficaces sigue siendo extraordinariamente difícil.
Más de 40.000 millones invertidos y pocos medicamentos avanzados
El entusiasmo inversor contrasta con los resultados obtenidos hasta ahora. Según datos de PitchBook recogidos en el análisis, las empresas biofarmacéuticas que utilizan inteligencia artificial han captado más de 40.000 millones de dólares de capital riesgo durante esta década.
Pese a semejante inversión, son pocos los medicamentos desarrollados con ayuda de esta tecnología que hanconseguido superar la fase 2 de los ensayos clínicos.
El problema aparece cuando los candidatos seleccionados mediante algoritmos deben demostrar que funcionan en personas. Una molécula prometedora en un laboratorio no necesariamente produce los mismos resultados en el organismo humano.
Los investigadores recuerdan que numerosos defensores de la inteligencia artificial habían anunciado reducciones importantes en los plazos de desarrollo. Por ahora, esas expectativas no se han traducido en una transformación generalizada de los resultados clínicos.
La fase 2 continúa siendo el gran obstáculo
El desarrollo de un medicamento atraviesa diferentes etapas antes de llegar al mercado. Tras los estudios preclínicos, la fase 1 examina principalmente la seguridad y las dosis, mientras que la fase 2 busca obtener pruebas iniciales de eficacia en pacientes.
Posteriormente, la fase 3 evalúa el tratamiento en poblaciones más amplias y permite recopilar información adicional sobre sus beneficios y riesgos.
La inteligencia artificial puede acelerar la búsqueda de moléculas, pero no elimina la necesidad de demostrar que son seguras y eficaces.
La complejidad de la biología humana, las diferencias entre pacientes y la calidad irregular de los datos dificultan que las predicciones informáticas se conviertan en resultados médicos.
El periodista especializado en biotecnología Derek Lowe, al comentar el estudio, reconoce las dificultades para organizar estos conjuntos de datos y determinar hasta qué punto pueden utilizarse como material fiable para el aprendizaje automático.
El problema no es únicamente tecnológico: faltan mejores datos
Los modelos necesitan información biológica abundante, consistente y representativa para mejorar sus predicciones.
Robert Nelsen, socio de Arch Venture, considera imprescindible disponer de más datos celulares y poblacionales. También reclama avances regulatorios y apunta a que futuras capacidades informáticas podrían contribuir a transformar el sector.
Bijan Salehizadeh, de NaviMed Capital, identifica otro obstáculo: los elevados costes de las fases 2 y 3.
A su juicio, existe el riesgo de que las aplicaciones de inteligencia artificial se concentren en tareas relativamente sencillas, como la bioestadística, la gestión de datos o la redacción de documentación para las autoridades sanitarias.
Mientras tanto, seguirían pendientes problemas mucho más costosos, como organizar ensayos internacionales, coordinar cientos de centros, reclutar pacientes y supervisar los resultados.
La inteligencia artificial sí está encontrando aplicaciones prometedoras
El estudio no implica que esta tecnología carezca de utilidad médica. Una de las aplicaciones destacadas aparece en la investigación oncológica de Moderna y Merck.
Su ensayo de fase 3 utiliza inteligencia artificial para seleccionar dianas tumorales y personalizar un tratamiento combinado con Keytruda, un medicamento ya existente.
Se trata de una aplicación centrada en adaptar las decisiones terapéuticas a cada paciente, más que en fabricar masivamente medicamentos completamente nuevos.
