El descubrimiento de fármacos con mediante IA está transformando la investigación farmacéutica. De esta forma, se logra acelerar drásticamente el desarrollo de medicamentos y mejorando la innovación. Sin embargo, la verdadera clave para aprovechar eficazmente la inteligencia artificial radica en unos datos armonizados y de alta calidad. En este artículo, exploraremos por qué la gestión optimizada de datos es esencial para potenciar el descubrimiento de fármacos impulsado por IA.
Según Forbes, el 25% del presupuesto anual de una empresa farmacéutica suele destinarse a investigación y desarrollo (I+D).
Es una tarea costosa. Los plazos de desarrollo de un fármaco pueden alargarse hasta 10 años, con hasta 20.000 compuestos examinados por cada fármaco aprobado. Este proceso suele tener un coste que oscila entre 500 y 2.000 millones de dólares.
Stronger Together: AI Drug Discovery and Quality Data: Table of Contents
El tiempo es oro, por lo que cada vez es más urgente acelerar el ciclo de desarrollo de fármacos. Incluso el ahorro de un solo año en el desarrollo de un fármaco puede conllevar una ventaja competitiva crítica. Así como mejorar significativamente su ROI.
¿Puede la IA, cada vez más omnipresente, aliviar los retos más acuciantes de la industria? Hay indicios tempranos de que así es. Líderes del sector como Pfizer y Novartis ya están obteniendo resultados significativos al integrar la IA en sus procesos de investigación.
Examinemos cómo se utiliza ahora esta tecnología en los ciclos de vida de I+D.
Las múltiples funciones del descubrimiento de fármacos con IA
La IA permite acelerar la comercialización al agilizar las pruebas exhaustivas a gran escala y las estrategias de ensayo y error. Mediante el análisis de conjuntos de datos masivos, la tecnología puede evaluar y eliminar compuestos inviables en una fase temprana del proceso. Esto reduce el tiempo, el coste y la carga de pruebas fallidas, ahorrando recursos para proyectos de gran valor.
Según los informes, los modelos de IA de Pfizer lograron una mejora del 15% en las tasas de éxito de los compuestos que entraban en la fase II. Mientras, la priorización de objetivos de Novartis redujo los costes de desarrollo en las primeras fases en un 40% con la integración de la IA.
El aprendizaje automático (ML) y el procesamiento del lenguaje natural (NLP) también ayudan a las empresas farmacéuticas a profundizar en la biología de las enfermedades e identificar pacientes ideales para nuevos tratamientos. Por ejemplo, Pfizer se asoció con IBM Watson para analizar historiales de pacientes y determinar la idoneidad de los ensayos para su investigación en «inmuno-oncología». Además, la capacidad de modelización predictiva de la IA permite a los investigadores anticipar la eficacia y seguridad de un compuesto mucho antes de que entre en el laboratorio.
Por último, la tecnología tiene una capacidad más amplia para descubrir patrones ocultos. Cambiando así la forma en que las empresas pueden abordar el descubrimiento de fármacos.
AlphaFold2 – Un modelo de inteligencia artificial ganador del Nobel
Un excelente ejemplo es la mitad del Premio Nobel de Química 2024, concedido a Demis Hassabis y John Jumper por su trabajo sobre AlphaFold2.
AlphaFold2 es un modelo de IA que resolvió el reto de predecir estructuras proteicas a partir de secuencias de aminoácidos. El programa ha ayudado a predecir 200 millones de proteínas y ha sido utilizado por dos millones de personas en 190 países. Entre sus aplicaciones, ha servido de base para investigaciones sobre la descomposición enzimática del plástico y la resistencia a los antibióticos.
Las empresas también cuentan con la IA para superar otro obstáculo. Obtener la aprobación de los organismos reguladores. Según McKinsey, los motores de inteligencia Gen AI-enabled son útiles en tres frentes:
Predicción de posibles patrones de consulta de las autoridades sanitarias (HAQ) a partir de los datos presentados
Formular respuestas adecuadas y oportunas a los patrocinadores
Aportar más inteligencia a los procesos de presentación
También es una buena idea que organismos reguladores como la FDA estadounidense y la EMA europea reconozcan el papel de la IA. Así, se garantiza que la regulación no se interponga en el camino a la innovación.
Las capacidades de la IA se prestan a la vigilancia posterior a la comercialización. Esta es necesaria para garantizar la seguridad, eficacia y aplicación práctica a largo plazo. Además, puede extraer, marcar y detectar patrones de baja eficacia y efectos adversos.
¿Estás interesado en transformar su proceso de I+D?
Ponte en contacto con Infoverity hoy mismo para descubrir cómo nuestras soluciones integrales de gestión de datos maestros y otros servicios pueden convertirte en una empresa farmacéutica preparada para la IA.
Datos limpios: La clave del descubrimiento de fármacos con IA
Las empresas farmacéuticas entrenan y perfeccionan sus modelos de IA utilizando una variedad de tipos de datos, entre ellos:
- Resultados históricos de ensayos clínicos. Los resultados de ensayos anteriores sirven de guía para seleccionar mejores candidatos y mejorar el diseño de los estudios.
- Datos genómicos y moleculares. La información genética y bioquímica favorece la medicina personalizada y permite dirigir con precisión los compuestos en función de marcadores biológicos.
- Datos demográficos y resultados sanitarios de pacientes. Los atributos a nivel de población y los resultados clínicos ayudan a identificar grupos de pacientes adecuados y a mejorar la diversidad de los ensayos.
- Métricas de rendimiento de los centros de ensayo. Los datos operativos sobre las ubicaciones de los ensayos permiten una selección más inteligente de los centros en función de las tasas de inscripción, las tendencias de abandono y la calidad de los datos.
Fomentar la higiene de datos para impulsar el éxito de la IA
La falta de higiene de los datos puede hacer descarrilar rápidamente incluso los modelos más sofisticados. Los datos incoherentes introducen sesgos, generan predicciones poco fiables y hacen que se pierdan oportunidades terapéuticas clave. Para mantener la fiabilidad de los modelos y el cumplimiento de la normativa, las empresas deben establecer prioridades:
- Coherencia, precisión e integridad en todas las fuentes de datos globales.
- Definiciones normalizadas de entidades clave, como poblaciones de pacientes, centros de ensayo y compuestos.
- Sólido linaje de datos y pistas de auditoría para garantizar el cumplimiento y la transparencia.
El potencial de la IA depende de la integridad de los datos que la respaldan. Sea cual sea la tarea (encontrar compuestos prometedores, predecir riesgos de seguridad u optimizar ensayos clínicos) la calidad, la amplitud y la coherencia de los datos determinan la eficacia de esta tecnología.
Desarrollo de datos preparados para la IA en apoyo a la innovación farmacéutica
Para crear un entorno basado en datos en el que prospere la IA, las empresas farmacéuticas deben adherirse a estos tres pilares de la gestión de datos como mejores prácticas del sector:
1. Capturar and integrar
Los datos deben estar accesibles en un único lugar. En el descubrimiento de fármacos con IA, esto significa unificar los datos de laboratorios, sistemas clínicos, historiales médicos electrónicos (HCE) y proveedores externos.
Los silos de datos se caracterizan por la mala calidad de los datos y la ineficacia de los procesos. Provocan más retrasos, así como errores en el análisis y la elaboración de informes, lo que aumenta el coste del descubrimiento de fármacos.
Las tecnologías de Gestión de Datos Maestros (MDM) evitan que esto ocurra. Se reúnen así plataformas de I+D dispares, creando una única fuente de verdad para dominios críticos de datos como producto, solución, compuesto, pacientes, centros de ensayo, etc. También ofrecemos un programa de gestión del cambio para ayudar a las empresas durante esta transición y más allá.
2. Curar y estandarizar
La armonización de datos es necesaria para convertir los datos fragmentados o inexactos en información útil y accesible.
Las entidades básicas como compuestos, pacientes y centros de ensayo deben utilizar nomenclatura estandarizada y un vocabulario controlado para garantizar la coherencia entre sistemas. El uso de metadatos para etiquetar atributos como Genomic, Clinical, De-Identified, PHI, PII, originating source y time stamp mejora aún más la capacidad de descubrimiento y la calidad de la formación de modelos.
Infoverity aporta una profunda experiencia en gestión de datos. De esta forma, se estandarizan conjuntos de datos críticos para garantizar la coherencia, permitir la observabilidad y la supervisión, y respaldar las aplicaciones de IA posteriores con datos limpios y fiables. Además, ofrecemos una gestión de metadatos que puede reducir los costes de almacenamiento en un 30 % y el tiempo de búsqueda de datos en un 50 %.
3. Gobernar y cumplir
A medida que organismos reguladores como la FDA y la EMA establecen normas para la IA en los flujos de trabajo farmacéuticos, las empresas deben demostrar proactivamente la integridad de los datos, la explicabilidad y la responsabilidad.
Infoverity cuenta con su propia herramienta de diagnóstico de gobernanza de datos. Así, proporciona marcos de gobernanza que equilibran la innovación con el cumplimiento de la normativa. Las empresas farmacéuticas pueden innovar de forma responsable, sin comprometer la supervisión ni la calidad.
¿Te interesa transformar tu proceso de I+D?
Ponte en contacto con Infoverity hoy mismo para descubrir cómo nuestras soluciones integrales de gestión de datos maestros y otros servicios pueden convertirte en una empresa farmacéutica preparada para la IA.
¿Por qué deberías implementar MDM en tu negocio?
Descarga nuestra guía GRATIS descubre los 5 beneficios clave de MDM y Gobernanza del Dato para tu negocio. Además, aprenderás a defender un proyecto de estas características frente a los puestos directivos de tu organización.
