IA en ensayos clínicos: mejorar la eficiencia y ahorrar dinero

Ensayos clínicos son la fase más importante en el proceso de desarrollo de medicamentos. Se utilizan para evaluar la eficacia y la seguridad de un fármaco, un enfoque clínico o una terapia.

Actualmente, los ensayos clínicos son procesos caros, que requieren mucha mano de obra y son complejos, y están expuestos a errores y sesgos. Las compañías farmacéuticas deben seleccionar y reclutar individualmente a los voluntarios para los ensayos clínicos, lo que consume tiempo y resulta costoso. 

Sin embargo, inteligencia artificial (IA) está transformando la forma en que las compañías farmacéuticas realizan ensayos clínicos, al igual que está revolucionando IA en el descubrimiento de fármacos.

La IA puede utilizarse para seleccionar criterios de elegibilidad clínica, identificar candidatos ideales para ensayos clínicos y reducir los requisitos de tamaño de muestra. Este artículo analiza cómo los ensayos clínicos impulsados por IA pueden reducir costos y mejorar la eficiencia.

¿Cómo está transformando la IA los procesos de los ensayos clínicos?

La IA puede transformar diversos aspectos de los ensayos clínicos. Sus objetivos incluyen mejorar la eficiencia y reducir los costos de los ensayos clínicos. A continuación se presentan algunos de los pasos en los que se puede utilizar la IA en ensayos clínicos:

Selección y reclutamiento de pacientes

Los algoritmos de IA pueden utilizarse para cribar grandes bases de datos de registros de pacientes. Los criterios deseados pueden introducirse en el algoritmo, que a continuación puede proporcionar una lista de pacientes que cumplen los criterios de elegibilidad. Esto acelera el reclutamiento y garantiza que el paciente sea adecuado para el estudio.

Reclutamiento predictivo de pacientes

Las empresas farmacéuticas pueden utilizar algoritmos de IA para examinar los registros de pacientes e identificar voluntarios potenciales para ensayos clínicos en función de datos predefinidos. Dicha integración acelerará el proceso de reclutamiento de pacientes, reduciendo el cronograma de los ensayos clínicos.

Además, la IA también puede automatizar la fase inicial del reclutamiento de pacientes, como redactar cartas iniciales de permiso y crear presentaciones de ensayos clínicos para los HCP que interactúan con posibles voluntarios de ensayos clínicos.

Retención de pacientes

Los pacientes a menudo abandonan los ensayos clínicos, lo que plantea desafíos para los investigadores porque puede crear problemas en el análisis de datos. La IA en los ensayos clínicos puede utilizarse para determinar qué candidatos probablemente abandonen.

Al proporcionar a los pacientes encuestas periódicas e introducir esta información en el algoritmo, la IA puede predecir qué candidato podría estar en riesgo de abandonar. La IA también puede ofrecer soluciones y estrategias para mejorar la retención de pacientes.

Gestión y análisis de datos

Durante ensayos clínicos, se recopilan datos de diversas fuentes como historiales clínicos electrónicos, dispositivos portátiles y dispositivos médicos. La recopilación, integración y análisis de bases de datos tan extensas consumen tiempo. La IA en los ensayos clínicos puede manejar bases de datos complejas y realizar análisis sofisticados, lo que ahorra tiempo y dinero.

Optimizar el diseño del ensayo

Se pueden utilizar simulaciones de IA para predecir varios escenarios y resultados de los ensayos clínicos. Basándose en estos resultados, se puede optimizar el diseño de los ensayos clínicos. Además, se pueden predecir posibles desafíos que puedan surgir durante los ensayos y diseñar soluciones con antelación.

Automatización de la monitorización del ensayo

Los ensayos clínicos deben monitorizarse minuciosamente durante todo el periodo para garantizar que no haya anomalías. Esto implica una recopilación, análisis y monitorización de datos constantes y detallados, para lo cual se necesita personal, lo que encarece los ensayos clínicos.

Sin embargo, muchas de estas tareas pueden ser realizadas por la IA. Por ejemplo, la IA puede analizar los datos y detectar anomalías, lo que significa que los responsables no tienen que revisar todos los datos.

La IA también puede automatizar tareas repetitivas de cumplimiento como el análisis de datos, la extracción de datos, la generación de informes, la presentación y las verificaciones de calidad, reduciendo la carga de trabajo humana. Esto se alinea con esfuerzos más amplios en cumplimiento normativo farmacéutico con IA, ayudando a las empresas a mantenerse listas para auditorías mientras reducen la supervisión manual.

Modelado predictivo

La IA también puede utilizarse para estimar el tiempo y el costo de los ensayos clínicos. El diseño del ensayo clínico puede introducirse en los algoritmos junto con parámetros adicionales como el número de participantes. En base a esto, el algoritmo puede proporcionar una estimación de tiempo y costo. A continuación, se puede adaptar el diseño para optimizar ambos parámetros.

Aunque la IA en ensayos clínicos aún se encuentra en una etapa incipiente, ya se ha integrado en algunos pasos de los ensayos clínicos. Aquí hay algunas tecnologías clave impulsadas por IA para ensayos clínicos.

Tecnologías clave impulsadas por IA utilizadas en ensayos clínicos

Último software y tecnologías para ensayos clínicos impulsados por IA:

Trial Pathfinder es una herramienta de IA de código abierto que utiliza registros electrónicos de salud (EHRs) para simular ensayos clínicos. Se integran datos de EHR para comprender cómo el ajuste de los criterios de inclusión del ensayo clínico puede cambiar la relación de riesgo de supervivencia global. 

TwinRCTs es un software de ensayos clínicos que combina IA, métodos estadísticos novedosos y gemelos digitales (un modelo virtual que puede reflejar con precisión un objeto físico) para mejorar la tasa de éxito de los ensayos clínicos.

El modelo puede predecir la progresión de la enfermedad en pacientes de ensayos clínicos usando cohortes externas. Los gemelos digitales están revolucionando las simulaciones de ensayos virtuales y la modelización predictiva en la industria farmacéutica. Obtén más información en nuestro análisis en profundidad sobre gemelos digitales en la industria farmacéutica.

Criteria2Query es una herramienta de IA en la que los usuarios introducen los criterios de inclusión y exclusión y la herramienta utiliza una interfaz web para encontrar candidatos que coincidan en bases de datos de pacientes.

TrialGPT puede usarse para solicitar a un modelo de lenguaje grande que encuentre ensayos clínicos apropiados para un paciente. Se introduce una descripción del paciente y el modelo determina si el paciente es elegible para algún ensayo clínico, proporcionando el razonamiento de sus resultados.

Deep6 AI: Deep6 utiliza IA en ensayos clínicos para emparejar estudios en curso o próximos con pacientes. Analiza datos clínicos no estructurados en tiempo real para conectar a pacientes interesados con estudios relevantes.

Trials.ai: Trails.ai emplea un algoritmo de IA que agiliza el diseño y la gestión de ensayos clínicos. Los investigadores pueden analizar el coste y el tiempo asociados al diseño y optimizarlos para garantizar que ambos se mantengan dentro de los límites deseados.

IBM Watson Health: IBM Watson Health utiliza IA para analizar grandes bases de datos de ensayos clínicos y acelerar el descubrimiento de fármacos.

Estas son algunas de las aplicaciones del mundo real de la IA en ensayos clínicos, que complementan la forma en que IA en marketing farmacéutico está mejorando la participación del paciente y las estrategias de alcance. Sin embargo, a pesar de esta adopción, el uso de la IA en ensayos clínicos enfrenta algunos desafíos.

Desafíos que enfrenta la IA en los ensayos clínicos

Desafío: Los datos están sujetos a requisitos regulatorios estrictos. 

Para predecir los resultados del ensayo, seleccionar correctamente a los pacientes para los ensayos y monitorizar la salud del paciente, los algoritmos de IA necesitan acceso a datos en tiempo real, de alta calidad y en grandes cantidades.

Sin embargo, considerando las estrictas directrices regulatorias sobre privacidad de datos y consentimiento informado, estos datos pueden no estar siempre disponibles, lo que dificulta la eficiencia del algoritmo.

Desafío: La integración de la IA en el flujo de trabajo de los ensayos clínicos es costosa.

La implementación de la IA en ensayos clínicos es cara. Para integrar la infraestructura robusta y los recursos computacionales (p. ej., la base de datos), las empresas tienen que contratar expertos.

Este es un proceso que consume tiempo y mano de obra, lo que resulta costoso. Además, las prácticas y sistemas existentes también necesitan integrarse en la IA para garantizar que sea más eficiente que el proceso tradicional.

Desafío: Los modelos de IA no son transparentes ni interpretables.

La mayoría de los modelos de IA funcionan como cajas negras, lo que significa que no proporcionan explicación alguna de sus recomendaciones o decisiones. La falta de transparencia e interpretabilidad es problemática porque, en entornos clínicos, cada decisión debe tener una razón lógica.

Además, los modelos de IA que no proporcionan razonamiento o que no son transparentes pueden no ser adoptados porque los investigadores no confiarán en el modelo.

Desafío: La IA puede perpetuar sesgos provenientes de los datos de entrenamiento.

Los algoritmos de IA se entrenan con datos existentes, que pueden contener sesgos. Los sistemas de IA pueden, sin querer, reproducir estos sesgos, que pueden no aplicarse a todas las poblaciones de pacientes, lo que puede afectar gravemente su fiabilidad. 

Consideraciones éticas de la IA

Aquí hay algunas consideraciones éticas clave para desarrollar modelos de IA para ensayos clínicos:

El modelo debe cumplir con todas las normativas de datos, incluidas HIPAA y GDPR. Estas regulaciones existen para garantizar la privacidad y la seguridad de los datos, que son una preocupación principal para los modelos de IA. Además, deben implementarse procesos de anonimización dentro del modelo para garantizar la privacidad una vez lanzado.

Siempre debe obtenerse el consentimiento informado del paciente. A los participantes se les debe proporcionar información detallada y fácil de entender sobre cómo se usarán los datos antes de obtener el consentimiento. Esto también está en consonancia con todas las normativas de datos.

Debe establecerse la responsabilidad por las decisiones recomendadas por la IA. La implementación de las recomendaciones de la IA puede conducir a resultados negativos para los ensayos clínicos o los pacientes. En tales casos, es necesario determinar de quién recae la responsabilidad. Transferir la culpa de un equipo a otro solo creará confusión y no aportará soluciones. 

La validación debe realizarse a fondo. Aunque en otros casos de uso de la IA puede aceptarse una gran variabilidad y márgenes de error, esto no ocurre en la industria farmacéutica porque dichos errores pueden afectar de forma permanente la vida de los pacientes. Por tanto, la fiabilidad y la equidad del modelo deben demostrarse exhaustivamente en poblaciones diversas y en entornos del mundo real.

La transparencia debe estar integrada. Todas las recomendaciones y decisiones del modelo deben ser interpretables por los clínicos y las partes interesadas. Esta transparencia suele ser un desafío para la mayoría de los modelos de IA, pero es crucial, porque solo al comprender el razonamiento detrás de una decisión se puede determinar si la decisión es correcta o errónea.

La mitigación de riesgos debe ser una prioridad. En la industria farmacéutica, “riesgo” tiene una definición única y significativa: implica consecuencias permanentes para los pacientes, como parálisis o muerte. Por tanto, el riesgo de la implementación de la IA en ensayos clínicos debe identificarse y mitigarse exhaustivamente antes de una implementación a gran escala para prevenir cualquier evento adverso.

Estas consideraciones deben ser abordadas por todas las partes interesadas durante las etapas de construcción y entrenamiento del modelo de IA, ya que pueden influir gravemente en si la autoridad reguladora aprobará el modelo y en si el modelo proporcionará las respuestas correctas.

Conclusión

El uso de la IA en ensayos clínicos tiene mucho potencial, especialmente para mejorar la eficacia y reducir costos. Las tecnologías impulsadas por IA pueden optimizar la gestión y el análisis de datos, mejorar la selección y retención de pacientes y optimizar los diseños de ensayos clínicos.

Con este fin, varias tecnologías de IA ya han sido integradas por empresas farmacéuticas. Sin embargo, a pesar de esa integración, la IA afronta algunos desafíos, principalmente debido a las estrictas leyes de privacidad de datos, los costosos requisitos de integración y la escasa transparencia.

A medida que avanzamos hacia el futuro, la IA en ensayos clínicos deberá superar estos y muchos otros desafíos para ser ampliamente adoptada. Sin embargo, considerando sus ventajas, la IA en ensayos clínicos tiene un enorme potencial. 

Preguntas frecuentes

¿Cómo acelera la IA los ensayos clínicos?

La IA puede acelerar los ensayos clínicos automatizando tareas repetitivas, identificando participantes potenciales, simplificando la gestión de datos, optimizando el diseño de los ensayos y asegurando la retención de pacientes.

¿Ejemplos de IA en la investigación clínica?

La IA puede usarse para el desarrollo de nuevos fármacos, identificación de candidatos, automatización de ensayos clínicos, diseño de ensayos clínicos y formulación de medicamentos. Pharma Now ha publicado varios artículos que detallan el uso de la IA en diversas ramas de la industria farmacéutica. Léelos para saber más

¿Cuáles son las preocupaciones éticas al usar IA en ensayos clínicos?

Las preocupaciones éticas sobre el uso de la IA en ensayos clínicos giran en torno al consentimiento informado, la seguridad de los datos y la privacidad del paciente. Además, la IA puede adoptar sin darse cuenta sesgos basados en los datos con los que se entrena.

¿Existen regulaciones específicas sobre la IA en ensayos clínicos?

Sí, existen regulaciones específicas impuestas sobre la IA. También está sujeta a todas las normativas y directrices de seguridad de datos, privacidad de datos y ética aplicables a todas las empresas farmacéuticas.

¿Puede usarse la IA para predecir los resultados de un ensayo clínico?

Sí, la IA puede usarse para predecir resultados. Esto permite a los investigadores tomar decisiones informadas durante los ensayos. 

Referencias

https://www.nature.com/articles/d41586-024-00753-x

https://www.mckinsey.com/industries/life-sciences/our-insights/how-artificial-intelligence-can-power-clinical-development

https://www.nature.com/articles/s43856-023-00425-3

https://www.starmind.ai/blog/how-using-ai-in-clinical-trials-accelerates-drug-development

https://www.fda.gov/science-research/science-and-research-special-topics/artificial-intelligence-and-machine-learning-aiml-drug-development

https://www.linkedin.com/pulse/trial-pathfinder-ai-framework-systematically-evaluate-rahul-shirale/

https://www.linkedin.com/pulse/top-three-aiml-use-cases-largest-potential-clinical-trials-herax-fswqf/

https://www.nature.com/articles/d41586-024-00753-x#:~:text=Xiaoyan%20Wang%20notes%20that%20there,privacy%20or%20create%20security%20risks.

https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2