Estrategias impulsadas por IA en la práctica farmacéutica: defensa en acción

Pharma Now aboga por un acceso más amplio y equitativo a las aplicaciones de IA dentro de la industria farmacéutica. Basándose en ideas de artículos previos, este texto busca involucrar a una audiencia diversa explorando el potencial de la IA, particularmente en la predicción, prevención y manejo de interacciones entre medicamentos (DDIs) en la práctica farmacéutica del mundo real. Usando el caso de los agonistas del receptor de péptido similar al glucagón (GLP-1) (GLP-1RAs), discutimos consideraciones clave para la utilidad de la IA en abordar eficazmente estos desafíos complejos.

Los agonistas del receptor GLP-1, como semaglutida (Ozempic®, Wegovy®, Rybelsus), han transformado el tratamiento de la diabetes tipo 2 y la obesidad. Anteriormente, Pharma Now destacó el uso creciente de estos fármacos—complicado por la escasez de suministro y las prácticas de farmacias de preparación—que han introducido desafíos significativos en la regulación, la atención clínica y la logística. En este documento, ampliamos estas preocupaciones examinando cómo los GLP-1RAs afectan el vaciado gástrico, pudiendo alterar la absorción de otros medicamentos. A medida que pacientes, proveedores de atención y reguladores enfrentan demandas crecientes y recursos limitados, las herramientas de IA pueden ser cruciales para predecir, prevenir y mitigar estas interacciones entre medicamentos (DDIs), particularmente en un entorno sanitario multilingüe y diverso.

Uno de los mayores retos para usar la IA de forma eficaz en el campo farmacéutico es que muchos profesionales aún no comprenden completamente lo potentes que pueden ser las herramientas de IA. La tecnología avanza tan rápido que muchas personas en la industria, especialmente quienes no están muy familiarizados con la tecnología, no perciben todo el potencial de la IA. Reducir esta brecha de conocimiento es crucial para integrar con éxito la IA en la farmacia. Esto implica educación, cambios de mentalidad y aprender de ejemplos del mundo real donde la IA ya ha tenido éxito. Este artículo extrae ideas de una publicación reciente de Pharma Now para explorar cómo la IA—mediante análisis predictivo, procesamiento de lenguaje natural y traducción multilingüe—podría transformar la práctica farmacéutica en un centro proactivo para identificar y resolver DDIs antes de que dañen a los pacientes.

Otra brecha que debe abordarse se menciona en un artículo anterior de Pharma Now “Agonistas de GLP-1: De la gestión de la diabetes a las soluciones para la pérdida de peso: el papel de la FDA y la controversia sobre la preparación magistral” que afirma que “El desafío para los reguladores es que los medicamentos preparados no están sujetos al mismo riguroso proceso de aprobación que sus homólogos fabricados comercialmente, lo que significa que la FDA debe garantizar la seguridad y eficacia de estos tratamientos alternativos.”

Dada esta anomalía con la supervisión regulatoria de las farmacias de preparación y ausente un típico requisito de datos estrictos de una presentación ANDA para consideraciones de seguridad y eficacia, ¿cómo entonces llenaría una respuesta generativa de IA/ML esta inconsistencia?

¿Podemos confiar realmente por completo en una introspección asistida puramente por IA/ML sobre las brechas o diferencias con las regulaciones de la FDA de EE. UU. para medicamentos preparados frente a medicamentos presentados con una solicitud ANDA? Las regulaciones de la FDA no son negociables, son complejas e indudablemente difíciles de navegar.

Una guía reciente publicada por la FDA Consideraciones para el uso de la inteligencia artificial para respaldar la toma de decisiones regulatorias sobre medicamentos y productos biológicos establece que si el COU o contexto de uso implica un “human in the loop, debemos asegurar que los métodos de evaluación para el modelo de IA/ML desplegado consideren el rendimiento del equipo humano-IA, , en lugar de solo el rendimiento del modelo en aislamiento.

Una solución podría presentarse donde el emparejamiento de un modelo LLM de IA/ML con una plataforma de búsqueda con human-in-the-loop pueda funcionar como ‘dueling banjos’. Sin embargo, las limitaciones humanas surgen rápidamente cuando cualquiera se cansa de buscar en Google al inspeccionar y husmear enlaces de resultados de búsqueda dado el ‘ruido’ y los anuncios que saturan las plataformas de búsqueda hoy en día. El buscador del sitio FDA.Gov, por otra parte, falla a su manera con sus abismales algoritmos de búsqueda aún basados en metaetiquetas, anclados en la Edad Media frente al entorno actual impulsado por big data e IA/ML.

Por qué la terapia GLP-1 pone el foco en los DDIs

Los agonistas del receptor GLP-1 actúan ralentizando el vaciado gástrico hasta en un 70%. Este cambio prolonga el tiempo que los fármacos permanecen en el estómago, lo que puede afectar su absorción. Para medicamentos con ventanas terapéuticas estrechas (es decir, fármacos que pueden tener efectos adversos graves si no se toman en la cantidad adecuada), esto es una gran preocupación. Para los farmacéuticos, las apuestas son altas: si un paciente que recibe terapia con GLP-1 experimenta una absorción alterada de otros medicamentos esenciales (como anticoagulantes, anticonceptivos o inmunosupresores), la diferencia entre eficacia y toxicidad puede ser mínima.

Además, los agonistas de GLP-1 se están utilizando cada vez más para la pérdida de peso, no solo para la diabetes, lo que aumenta la probabilidad de que los pacientes tomen múltiples medicamentos (polifarmacia). Esto complica aún más el riesgo de DDIs. Las farmacias de preparación, que elaboran medicamentos personalizados para pacientes, también introducen más complejidad, ya que sus prácticas pueden no cumplir siempre los mismos estándares de calidad.

La oportunidad de la IA: revolucionar la predicción y mitigación de DDIs

La IA tiene el potencial de transformar la seguridad de los medicamentos al mejorar la predicción, prevención y gestión de las interacciones entre medicamentos (DDIs), particularmente en entornos multilingües. Los sistemas de IA pueden analizar amplios datos de pacientes—como registros electrónicos de salud, historiales de medicación y resultados de laboratorio en tiempo real—para identificar a los pacientes en riesgo. Las plataformas de farmacovigilancia impulsadas por IA, como el Extracción de medicamentos y chatbot de interacciones farmacológicas (MEDIC), se están explorando para mejorar la seguridad y el monitoreo de los medicamentos aprovechando el conocimiento previo, el reconocimiento de patrones y el modelado predictivo.

Sin embargo, más allá de abordar la calidad de los datos y las preocupaciones de privacidad, la democratización de estos esfuerzos a través de modelos de lenguaje a gran escala como ChatGPT requiere una consideración cuidadosa. Las discusiones de Pharma Now sobre "Herramientas SMART," "Prácticas SMART", y "Buenas prácticas lingüísticas" enfatizan la diligencia debida necesaria para garantizar que la IA y el aprendizaje automático se apliquen de forma responsable en entornos complejos. Estas consideraciones son cruciales en entornos farmacéuticos reales, donde pueden ayudar a salvar la brecha entre los desafíos de la preparación, las preferencias del prescriptor y la seguridad del paciente.

Entonces, ¿hay una mejor manera de salvar ambas brechas: la democratización del uso y la comprensión de la IA/ML para las partes interesadas de la farmacia por un lado, y la falta de supervisión regulatoria de la FDA sobre las farmacias de preparación de medicamentos GLP-1 por otro?

SmartSearch+ con su capacidad de búsqueda de texto completo (contenido real) realizada por un humano en el bucle junto con un copiloto LLM de IA/ML para FDA.gov puede ser la respuesta. Esta estrategia única de ‘banjos enfrentados’ puede mejorar o potenciar la identificación de brechas hasta el máximo posible cuando usted—el farmacéutico humano—está buscando en texto completo las regulaciones reales de FDA.gov sobre la preparación de medicamentos frente a la presentación regulatoria ANDA de un patrocinador de medicamentos. Desplegar ambos ‘banjos’ en una única plataforma en la nube y en la interfaz de usuario (portátiles, móviles o tabletas) puede además aumentar las eficiencias recién descubiertas a nuevos niveles.

A medida que las herramientas de IA evolucionan, los farmacéuticos deben mantenerse al día en analítica impulsada por IA, prácticas de comunicación y tendencias emergentes. La combinación de herramientas avanzadas de IA y la experiencia farmacéutica puede ayudar a crear un sistema proactivo de gestión de la calidad—lo que llamamos "SMART Shepherding"—a lo largo de todo el proceso de medicación. Los lectores de Pharma Now pueden comprender mejor cómo aprovechar el potencial de la IA y aplicarlo prácticamente en sus flujos de trabajo farmacéuticos revisando ejemplos del mundo real y directrices regulatorias completas.

Conclusión

La IA no es un futuro lejano en la predicción y mitigación de DDI; ya está ocurriendo. La clave del éxito reside en una fuerte colaboración entre farmacéuticos, proveedores de atención sanitaria, desarrolladores de IA,

y reguladores. En lugar de centrarse únicamente en los desafíos de la terapia con GLP-1, la industria puede aprovechar esta oportunidad para replantear cómo gestionamos los regímenes farmacológicos complejos.

Al aprovechar herramientas avanzadas de IA—que van desde analítica predictiva hasta soporte multilingüe—los farmacéuticos pueden pasar de una respuesta pasiva a una prevención proactiva. Con un uso responsable y un enfoque en buenas prácticas lingüísticas, estas innovaciones pueden democratizarse para mejorar la atención al paciente en poblaciones y sistemas sanitarios diversos en todo el mundo.

En resumen, los desafíos que plantean los GLP-1RA y las DDI son puertas abiertas o peldaños hacia una práctica farmacéutica más ágil, basada en datos y guiada éticamente que prioriza el bienestar del paciente a la vez que fomenta la mejora continua en toda la industria.