IA en Seguridad Farmacéutica: Mejorando la Farmacovigilancia con Inteligencia Artificial

En Pharma Now’s artículos anteriores sobre inteligencia artificial (IA) en la industria farmacéutica, hemos analizado los beneficios, desafíos y casos de uso de la IA en diversos sectores del sector farmacéutico, incluidos la fabricación, la cadena de suministro, asuntos regulatorios, ensayos clínicos y el descubrimiento de fármacos. Continuando con este hilo, este artículo aborda otro sector crucial en la industria farmacéutica: farmacovigilancia.

La farmacovigilancia es el proceso de monitorizar la seguridad de los medicamentos tras su aprobación para su uso. Desde la perspectiva de una compañía farmacéutica, la farmacovigilancia es un proceso necesario, que consume tiempo, recursos y es costoso. Implica la recopilación de datos de pacientes y voluntarios de ensayos clínicos, el análisis de los datos recopilados, la gestión del riesgo, la evaluación de la causalidad y muchas otras actividades. Sin embargo, dado que los estudios de farmacovigilancia son necesarios para mantener el cumplimiento normativo, las empresas farmacéuticas no tienen otra opción que realizarlos.

En consecuencia, muchas empresas farmacéuticas buscan simplificar o automatizar sus actividades de farmacovigilancia mediante la implementación de IA en farmacovigilancia. 

¿Cómo puede implementarse la IA en farmacovigilancia?

Detección y notificación de eventos adversos

Los algoritmos de IA pueden analizar rápidamente grandes bases de datos para identificar posibles reacciones adversas a medicamentos. Por ejemplo, los sistemas de IA pueden identificar anomalías en los registros electrónicos de forma más eficiente que las personas, facilitando la detección de efectos secundarios.

Los sistemas de IA pueden supervisar múltiples fuentes de datos simultáneamente y señalar preocupaciones, lo cual es difícil de hacer manualmente. Esto permitirá que los equipos responsables resuelvan el evento con rapidez.

Vigilancia

Los sistemas de IA tienen un excelente potencial en la vigilancia. Pueden usarse para monitorizar las redes sociales en busca de efectos secundarios reportados por pacientes. También pueden procesar datos de otras fuentes como reclamaciones sanitarias, reclamaciones de seguros o registros de pacientes.

Estas detecciones pueden utilizarse como alertas tempranas de problemas de seguridad, permitiendo que los equipos responsables vigilen de cerca estos casos específicos en lugar de todo el lote.Para comprender todo el potencial de la IA en los flujos de trabajo farmacéuticos, incluida la monitorización de seguridad, explore cómo la IA está transformando el cumplimiento en entornos regulados de alto riesgo.

Detección y análisis de señales

Los algoritmos de aprendizaje automático (ML) pueden identificar patrones en los datos de seguridad y señalar riesgos potenciales antes. Dado que estos modelos tienen una mayor precisión que la detección humana, también disminuye el número de falsos positivos, reduciendo alertas innecesarias y permitiendo que los equipos responsables reaccionen con rapidez ante emergencias, mejorando la asignación y el uso de recursos.

Cribado de literatura

El cribado manual de la literatura existente para encontrar referencias a casos específicos o efectos secundarios puede llevar días o semanas. Sin embargo, las herramientas de IA pueden automatizar este proceso.

Pueden escanear la literatura existente para identificar información relevante e incluso generar resúmenes concisos de artículos pertinentes, ahorrando a los investigadores la tarea de leer múltiples artículos.

Procesamiento de casos

Los sistemas de IA también pueden ayudar en las tareas de procesamiento de casos. Por ejemplo, tareas repetitivas como rellenar los datos del paciente pueden automatizarse para reducir el trabajo manual. Además, puede ayudar a crear informes regulatorios.

Por ejemplo, los sistemas de IA pueden generar el informe individual de seguridad de casos (ICSR) y el informe periódico de actualización de seguridad (PSUR) para la presentación ante las autoridades regulatorias.

Cumplimiento normativo

Los sistemas de IA también pueden analizar y resumir las directrices regulatorias existentes para la farmacovigilancia e identificar posibles problemas de incumplimiento. La IA puede cotejar los procedimientos desarrollados con los procesos aprobados por la normativa o desarrollar estrategias de farmacovigilancia para un fármaco concreto de acuerdo con los requisitos regulatorios.

También se están desplegando algoritmos avanzados para reforzar los marcos de cumplimiento normativo y reducir el riesgo de fallos en auditorías en los mercados globales. Implementar estos casos de uso de IA en farmacovigilancia tendrá varios beneficios.

Beneficios de la IA en farmacovigilancia

Aquí hay algunos beneficios de la IA en farmacovigilancia:

• Velocidad: Implementar IA en farmacovigilancia puede mejorar la velocidad de detección y respuesta a problemas de seguridad. Esto ayudará a prevenir o resolver eventos adversos antes de que se vuelvan graves.
• Precisión: Al reducir la intervención humana, la IA puede mejorar la precisión de las actividades de farmacovigilancia. Esto se logrará principalmente al disminuir los errores humanos en la detección de señales y la documentación.
• Escalabilidad: Una de las ventajas más importantes de la IA en farmacovigilancia es que las aplicaciones son escalables. La aplicación de ejemplo puede monitorear múltiples medicamentos y conjuntos de datos con miles —si no millones— de personas.
• Reducción de costos: Al aumentar la velocidad y la precisión de las actividades de farmacovigilancia, se puede reducir el costo total involucrado. Además, la automatización puede disminuir la carga de trabajo manual y los requisitos de recursos, reduciendo aún más los costos.

Varias empresas ya han notado estas ventajas.

Tecnologías de IA en farmacovigilancia: Tecnologías clave impulsadas por IA utilizadas en farmacovigilancia

Procesamiento de lenguaje natural (NLP)

El NLP puede usarse para extraer información médica de datos no estructurados. Por ejemplo, herramientas como Amazon Web Services Comprehend Medical usan NLP para extraer información como síntomas y diagnósticos de texto no estructurado. Otras herramientas comoGoogle Healthcare Natural Language API analizan datos no estructurados como registros médicos o reclamaciones de seguros para generar conocimientos estructurados.

Aprendizaje automático (ML)

El ML puede usarse para identificar patrones y tendencias en grandes conjuntos de datos para detectar signos tempranos de problemas de seguridad. Herramientas comoOracle Empirica pueden usarse para detectar, analizar y gestionar señales de seguridad. Empirica, en particular, es una herramienta líder utilizada por muchas compañías farmacéuticas.

La aplicación del aprendizaje automático en la monitorización de seguridad complementa su creciente papel en descubrimiento y desarrollo de fármacos, particularmente en la predicción del comportamiento de compuestos y los resultados clínicos.

Automatización y optimización de flujos de trabajo

La automatización y la optimización de flujos de trabajo pueden usarse para automatizar tareas repetitivas de farmacovigilancia como la recepción de casos y la entrada de datos. Herramientas como UiPath pueden automatizar el movimiento de datos clínicos y acelerar la creación de procedimientos operativos estándar.

Otras herramientas como Blue Prism también se han utilizado. Por ejemplo, Pfizer utilizó el RPA a escala de Blue Prism para procesar grandes volúmenes de datos de ensayos clínicos durante COVID-19.

Para explorar cómo las empresas están implementando herramientas de automatización con IA en operaciones de farmacovigilancia, lea nuestro análisis sobre UiPath, Blue Prism y otras plataformas emergentes.

Herramientas de procesamiento de casos de eventos adversos

Las herramientas de detección de eventos adversos impulsadas por IA pueden automatizar la recepción, clasificación e informe de casos. Herramientas como Veeva Vault Safety se pueden usar para gestionar la información de seguridad. Esta herramienta ha sido utilizada por muchas compañías farmacéuticas, entre ellas Merck.

Software de notificación regulatoria

Las herramientas de notificación regulatoria impulsadas por IA pueden usarse para automatizar las presentaciones regulatorias y cumplir con los requisitos de conformidad. Herramientas como Oracle Argus pueden automatizar el procesamiento de casos y reducir la carga de trabajo hasta en un 50%. Otras herramientas como ArisGlobal’s LifeSphere han sido implementadas por muchas compañías farmacéuticas líderes, incluidas Roche, Novartis, AstraZeneca, and Johnson and Johnson, para automatizar y optimizar los flujos de trabajo regulatorios.

Los ejemplos anteriores son solo la punta del iceberg. La IA tiene un excelente potencial en farmacovigilancia. Sin embargo, la mayoría de las compañías farmacéuticas aún no la han implementado.

Desafíos que enfrenta la IA en farmacovigilancia

La implementación de herramientas y tecnologías impulsadas por IA en farmacovigilancia está limitada por varios desafíos que aún deben abordarse:

Calidad y cantidad de datos

La implementación exitosa de la IA en cualquier aplicación depende de datos de alta calidad. Sin embargo, en farmacovigilancia, los datos provienen de diversas fuentes (dispositivos de monitorización electrónica, pacientes e informes), y garantizar la integridad y precisión de todos estos datos es un desafío. Además, puede no haber siempre datos correctos suficientes para construir un modelo.

Problemas de sesgo y equidad

En farmacovigilancia, el sesgo en la notificación puede conducir a una baja precisión en la predicción. Los modelos de IA pueden, sin querer, reproducir los mismos sesgos que existen en la industria. Por lo tanto, la equidad de los modelos de IA debe abordarse y garantizarse a fondo antes de su implementación para evitar preocupaciones éticas en el futuro.

Cumplimiento regulatorio

Las directrices regulatorias no fomentan ni desaconsejan el uso de la IA porque no existen directrices regulatorias claras sobre la implementación de IA. El AI Act de la UE es el primer esfuerzo por crear un marco algo claro para implementar la IA. Actualmente, la mayoría de las empresas evitan intentar implementar IA simplemente porque no desean arriesgarse a incumplir normativas. Por lo tanto, se deben hacer esfuerzos adicionales para desarrollar un marco claro para la implementación de la IA.

Limitaciones de recursos

Desarrollar e implementar algoritmos de IA es una tarea desafiante que requiere expertos. Encontrar a estos expertos no es fácil. Además, incluso si se encuentran los expertos adecuados, necesitarán datos y tiempo suficientes para desarrollar el modelo. Además, si se les proporcionan estas fuentes, requerirán financiación suficiente. Estos muchos “si” hacen que la implementación de la IA sea más complicada.

Conclusión

Como muchos han supuesto razonablemente, la IA ha llegado para quedarse. Tiene muchos casos de uso y ha demostrado ventajas excepcionales en cada uno. Sin embargo, en el ámbito de la farmacovigilancia, la implementación de la IA aún está en una etapa incipiente. Aunque se han desarrollado, probado e implementado muchas herramientas como Oracle Argus y UiPath por varias empresas farmacéuticas, su aplicación generalizada sigue enfrentando numerosos desafíos. No obstante, seguimos siendo optimistas respecto al panorama positivo de la IA en farmacovigilancia.

Preguntas frecuentes

1. ¿Por qué se está implementando la IA en tantos procesos farmacéuticos?

La IA se está implementando en muchos procesos farmacéuticos porque puede reducir el tiempo, la carga de trabajo y los requisitos de recursos de los procesos, al tiempo que mejora la precisión, lo que eventualmente resultará en una reducción de costos para el proyecto en general.

2. ¿Cree la gran industria farmacéutica en la implementación de la IA?

Sí, muchas compañías de la gran industria farmacéutica (Big Pharma) ya han implementado IA en diversos sectores. Sin embargo, a gran escala, la implementación de la IA aún está en una etapa incipiente.

3. ¿Qué impide a las empresas farmacéuticas implementar la IA en todos los procesos?

La implementación de la IA es costosa y está sujeta al cumplimiento normativo. Por tanto, la implementación es más bien lenta. Sin embargo, a medida que se desarrollen directrices más claras, es probable que veamos la adopción por parte de la mayoría de las empresas.