El potencial del uso de la IA en el desarrollo clínico y los ensayos de fármacos

Llevar un medicamento desde su identificación inicial hasta la aprobación regulatoria y su comercialización requiere recursos sustanciales, incluidos tiempo, dinero y coordinación.El proceso, desde la selección de compuestos potenciales hasta la nominación de candidatos, pasando por los ensayos clínicos en humanos y hasta la obtención de la aprobación regulatoria, puede tomar un promedio de 12 a 15 años.¹.

IA en el descubrimiento de fármacos y el desarrollo en etapas tempranas

El proceso de desarrollo de un fármaco comienza con la investigación básica, buscando el objetivo adecuado para un problema médico particular. La IA en los ensayos está mejorando el descubrimiento temprano de fármacos al acelerar la selección de compuestos y la identificación de candidatos principales. Históricamente, la identificación de un compuesto principal requería el análisis de laboratorio de miles de estructuras químicas.². A esto le siguió una serie de pruebas adicionales para ajustar el compuesto principal y prepararlo para las pruebas clínicas, incluida la optimización de las propiedades del fármaco para saber cómo puede interactuar dentro del cuerpo y con su objetivo.

Después de estos pasos, El candidato principal pasa a ensayos clínicos para determinar si existe una dosis segura y efectiva para los pacientes. El proceso de ensayo clínico en sí puede durar años y es bastante costoso. Incluso en esta etapa, puede haber una alta tasa de fracaso. Esto significa El medicamento podría no ser seguro en la dosis deseada o carecer de eficacia para el propósito médico previsto. condición³. En el desarrollo de fármacos contra el cáncer, se estima que los costos de investigación y desarrollo para llevar un medicamento exitoso al mercado oscilan entre $0.9 y $2.1 billones⁴. Por lo tanto, encontrar formas más eficientes de ofrecer nuevas terapias a los pacientes es un esfuerzo continuo. Aquí es donde la inteligencia artificial (IA) puede contribuir a lo largo del proceso de desarrollo de fármacos.

La IA puede facilitar el desarrollo de fármacos a través de varios medios, incluido el aprendizaje automático (ML) y el procesamiento del lenguaje natural (NLP). ML es un subcampo de IA “que permite que las computadoras aprendan sin ser explícitamente programado"⁵  como analizar datos o categorizar imágenes. La PNL es una IA que “permite a las computadoras y dispositivos digitales reconocer, comprender y generar texto y discurso"⁶.

Antes de las pruebas en humanos: la IA en la selección y optimización de compuestos

1. IA en la selección de compuestos para la identificación de candidatos principales

La IA puede acelerar el proceso de descubrimiento de nuevos medicamentos mediante el análisis de numerosas estructuras químicas para identificar los candidatos más prometedores, lo que permite a los investigadores comenzar a probar fármacos potenciales con mayor rapidez. Programas como AlphaFold mejoran la inteligencia de los ensayos clínicos al predecir la estructura tridimensional de las proteínas basándose en su secuencia de aminoácidos. Mejorar la predicción de la estructura de las proteínas permite diseñar mejores fármacos dirigidos a esa proteína, lo que reduce la cantidad de estructuras químicas necesarias para la detección en laboratorio, aumentando así la eficiencia y reduciendo los costos.

2. Experimentos in silico para optimización de compuestos

La IA puede simular cómo un compuesto principal y sus modificaciones podrían interactuar en el cuerpo humano. Estas simulaciones pueden reducir significativamente los plazos al identificar las modificaciones estructurales necesarias antes de realizar los análisis de laboratorio de confirmación. estudios⁷.

Una vez que el candidato principal optimizado está listo para las pruebas clínicas en ensayos en humanos, el uso de IA en el desarrollo clínico mejora múltiples aspectos, incluido el diseño de ensayos, el reclutamiento de pacientes y la personalización del tratamiento. 

3. Uso de IA en el desarrollo y ensayos clínicos 

La IA puede mejorar el diseño de ensayos clínicos mediante el análisis de datos pasados ​​extensos y evidencia del mundo real (RWE). Este análisis puede alertar a los investigadores sobre posibles riesgos y dificultades en la inscripción de pacientes y los criterios de elegibilidad, lo que permite realizar estudios más profundos. optimización⁷. En ciertas situaciones, esto también puede permitir un grupo de control sintético en el estudio. Contar con un grupo de control sintético puede eliminar la necesidad de inscribir pacientes en el grupo de tratamiento estándar del estudio mediante el uso de datos de referencia de otras fuentes. Esto podría reducir el coste de un ensayo clínico hasta en un 50 % (ya que se necesitaría inscribir a la mitad del número original de pacientes) y podría acelerar la aprobación hasta en un 1.5 %. años⁸. Cabe señalar que los brazos de control sintéticos probablemente se reservarán para situaciones en las que exista un estándar de tratamiento establecido y un curso de la enfermedad bastante predecible.

4. Encontrar pacientes potencialmente elegibles

La IA también puede ayudar a identificar pacientes aptos para ensayos clínicos, una tarea compleja y compleja. El reclutamiento para ensayos clínicos es difícil y complejo. Muchos medicamentos de IA en ensayos clínicos utilizan algoritmos impulsados ​​por IA para analizar registros médicos y encontrar posibles Participantes⁷. Una vez identificados los pacientes, considerados elegibles y que comiencen a participar en un estudio, es fundamental retenerlos y mantenerlos comprometidos, así como que cumplan con los requisitos del estudio. Si muchos pacientes abandonan el estudio o lo abandonan prematuramente, la fiabilidad del mismo puede verse comprometida. También se están implementando herramientas de IA para ayudar a mantener a los pacientes inscritos al día con su participación en el estudio. requisitos⁷.

5. Personalización del tratamiento

La IA puede utilizar datos sobre los genes, biomarcadores e historial médico de un paciente para predecir los tratamientos más efectivos. Para llevarlo más allá, la IA también puede predecir cómo podría responder un paciente a el mismo día.⁹ o alertar a sus médicos sobre un posible efecto secundario que pueda requerir una alteración del el mismo día.¹⁰.

6. Posibilidades futuras de la IA en ensayos clínicos

La IA está preparada para desempeñar un papel más importante en la forma en que se utiliza para acelerar los ensayos clínicos. Además, la IA podría ayudar a agilizar las presentaciones y revisiones regulatorias para reducir aún más los plazos de aprobación regulatoria de nuevos medicamentos seguros y efectivos para los pacientes.

Estudio de caso: IA en ensayos clínicos de inmunoterapia

La IA está transformando la inteligencia de los ensayos clínicos en la investigación de inmunoterapia. En las áreas terapéuticas del melanoma, el carcinoma de células renales, el cáncer de pulmón de células no pequeñas, el carcinoma escamocelular de cabeza y cuello, entre otras, la inmunoterapia ha demostrado ser muy prometedora. Sin embargo, predecir con precisión la eficacia del tratamiento sigue siendo un desafío. Se están desarrollando nuevos radiotrazadores dirigidos al receptor CD8 de las células T humanas para la obtención de imágenes PET cuantitativas y no invasivas. Quibim está creando un algoritmo basado en imágenes para interpretar exámenes PET/CT, con el objetivo de evaluar cuantitativamente la eficacia de un minicuerpo marcado con 89Zr para apuntar al receptor CD8 en el microambiente tumoral. Esta tecnología optimiza el uso de la IA en el desarrollo clínico al proporcionar métodos precisos y no invasivos para evaluar la eficacia de la inmunoterapia. Los datos resultantes proporcionan información valiosa sobre la biodistribución y la especificidad de la diana del minicuerpo, lo que fundamenta el desarrollo clínico futuro y sus posibles aplicaciones terapéuticas. 

La IA está transformando los ensayos clínicos y la integración de la inteligencia artificial en el desarrollo de fármacos. Desde los fármacos de IA en ensayos clínicos hasta la inteligencia artificial en ensayos clínicos, la IA está reduciendo costes, mejorando la eficiencia y personalizando las estrategias de tratamiento. Si bien persisten los desafíos, el papel de la IA en el desarrollo clínico seguirá expandiéndose, moldeando el futuro de la medicina y acelerando el acceso a tratamientos que salvan vidas.

Referencias

1. Hughes JP, Rees S, Kalindjian SB, Philpott KL. Principios del descubrimiento temprano de fármacos. Br J Pharmacol. 2011;162(6):1239-1249. doi:10.1111/j.1476-5381.2010.01127.x
2. Hefti FF. Requisitos para que un compuesto principal se convierta en candidato clínico. BMC Neurosci. 2008;9 Suppl 3(Suppl 3):S7. Publicado el 2008 de diciembre de 10. doi:10.1186/1471-2202-9-S3-S7
3. Jain R, Subramanian J, Rathore AS. Una revisión de los fracasos terapéuticos en ensayos clínicos de última etapa. Expert Opin Pharmacother. 2023;24(3):389-399. doi:10.1080/14656566.2022.2161366
4. Schlander M, Hernandez-Villafuerte K, Cheng CY, Mestre-Ferrandiz J, Baumann M. ¿Cuánto cuesta investigar y desarrollar un nuevo fármaco? Una revisión y evaluación sistemática. Pharmacoeconomics. 2021;39(11):1243-1269. doi:10.1007/s40273-021-01065-y
5. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
6. https://www.ibm.com/topics/natural-language-processing
7. Hutson M. Cómo se utiliza la IA para acelerar los ensayos clínicos. Nature. 2024;627(8003):S2-S5. doi:10.1038/d41586-024-00753-x
8. https://www.statnews.com/2019/02/05/synthetic-control-arms-clinical-trials/#:~:text=By%20reducing%20or%20eliminating%20the,speed%20lifesaving%20therapies%20to%20market
9. Zhang B, Shi H, Wang H. Aprendizaje automático e inteligencia artificial en el pronóstico, la predicción y la selección del tratamiento del cáncer: un enfoque crítico. J Multidiscip Healthc. 2023;16:1779-1791. Publicado el 2023 de junio de 26. doi:10.2147/JMDH.S410301
10. Lippenszky L, Mittendorf KF, Kiss Z, et al. Predicción de la eficacia y toxicidad de los inhibidores de los puntos de control inmunitario utilizando datos de pacientes del mundo real. JCO Clin Cancer Inform. 2024;8:e2300207. doi:10.1200/CCI.23.00207