Inteligencia artificial: cómo afrontar los mayores desafíos de los ensayos clínicos

La medicina moderna es una maravilla, con curas y tratamientos antes inimaginables ahora ampliamente disponibles. Piense en dispositivos médicos avanzados como los desfibriladores implantables, que ayudan a regular el ritmo cardíaco y reducen el riesgo de paro cardíaco.

Estos avances no habrían sido posibles sin los ensayos clínicos: la rigurosa investigación que evalúa los efectos de las intervenciones médicas en participantes humanos.

Desafortunadamente, el proceso de ensayos clínicos se ha vuelto más lento y costoso con el tiempo. De hecho, solo uno de cada siete medicamentos que entran en ensayos de fase I (la primera etapa de pruebas de seguridad) finalmente se aprueba. Actualmente, se tarda, en promedio, Casi mil millones de dólares en financiación y una década de trabajo para sacar al mercado un nuevo medicamento.

La mitad de este tiempo y dinero se gasta en ensayos clínicos, que se enfrentan a obstáculos cada vez mayores, como la ineficiencia en el reclutamiento, la diversidad limitada y la inaccesibilidad de los pacientes. En consecuencia, el descubrimiento de fármacos se ralentiza y los costes siguen aumentando. Afortunadamente, los avances recientes en Inteligencia Artificial tienen el potencial de romper esta tendencia y transformar el desarrollo de fármacos para mejor.

Desde modelos que predicen interacciones complejas de proteínas con una precisión notable hasta asistentes de laboratorio con IA que optimizan las tareas rutinarias, la innovación impulsada por IA ya está transformando el panorama farmacéutico. La adopción de nuevas capacidades de IA para abordar las barreras de los ensayos clínicos puede optimizar el proceso de ensayos para pacientes, médicos y la biofarmacéutica, allanando el camino para nuevos fármacos de gran impacto y, potencialmente, mejores resultados de salud para los pacientes.

Barreras al desarrollo de fármacos

Los medicamentos en desarrollo se enfrentan a numerosos desafíos durante el proceso de ensayos clínicos, lo que resulta en tasas de aprobación alarmantemente bajas por parte de organismos reguladores como la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA). Como resultado, muchos medicamentos en investigación nunca llegan al mercado. Entre los principales desafíos se incluyen los contratiempos en el diseño de los ensayos, el bajo reclutamiento de pacientes y la limitada accesibilidad y diversidad de pacientes; problemas que se agravan entre sí y obstaculizan el progreso y la equidad en el desarrollo de fármacos.

1. Desafíos en la selección del sitio de prueba

El éxito de un ensayo clínico depende en gran medida de si los centros de ensayo (normalmente hospitales o centros de investigación) pueden reclutar e inscribir a una población de estudio suficiente y elegible. La selección del centro se basa tradicionalmente en varios factores que se superponen, como el rendimiento histórico en ensayos previos, la población local de pacientes y sus características demográficas, las capacidades e infraestructura de investigación, el personal de investigación disponible, la duración del periodo de reclutamiento, etc.

Cada criterio es bastante sencillo por sí solo, pero el proceso de recopilación de datos en torno a cada uno presenta numerosas dificultades y los resultados pueden no indicar con fiabilidad si el centro es adecuado para el ensayo. En algunos casos, los datos pueden simplemente estar desactualizados o incompletos, especialmente si se validan solo con una pequeña muestra de estudios.

Los datos que ayudan a determinar la selección del sitio también provienen de diferentes fuentes, como bases de datos internas, servicios de suscripción, proveedores u Organizaciones de Investigación por Contrato, que prestan servicios de gestión de ensayos clínicos. Con tantos factores convergentes, la agregación y evaluación de esta información puede ser confusa y compleja, lo que en algunos casos puede llevar a decisiones deficientes sobre los centros de ensayo. Como resultado, los patrocinadores (las organizaciones que realizan el ensayo clínico) pueden sobreestimar o subestimar su capacidad reclutar pacientes para ensayos, lo que da lugar a desperdicio de recursos, retrasos y bajas tasas de retención.

Entonces, ¿cómo puede la IA ayudar a seleccionar el sitio de prueba?

Al entrenar modelos de IA con datos históricos y en tiempo real de centros potenciales, los patrocinadores de ensayos clínicos pueden predecir las tasas de inscripción de pacientes y el rendimiento de un centro, optimizando así la asignación de centros, reduciendo la sobreinscripción o la subinscripción y mejorando la eficiencia y los costos generales. Estos modelos también pueden clasificar los centros potenciales identificando la mejor combinación de atributos y factores que se ajusten a los objetivos del estudio y las estrategias de reclutamiento.

Los modelos de IA entrenados con una combinación de metadatos de ensayos clínicos, datos de reclamaciones médicas y farmacéuticas, y datos de pacientes de servicios de atención primaria también pueden ayudar a identificar centros de ensayos clínicos que brinden acceso a poblaciones de pacientes diversas y relevantes. Estos centros pueden estar ubicados en un lugar central para grupos subrepresentados o incluso ubicarse en lugares populares de la comunidad, como peluquerías o centros religiosos y comunitarios, lo que ayuda a abordar tanto las barreras de accesibilidad para los pacientes como la falta de diversidad.

2. Bajo reclutamiento de pacientes

El reclutamiento de pacientes sigue siendo uno de los mayores obstáculos en los ensayos clínicos, ya que consume hasta un tercio de la duración del estudio. De hecho, uno de cada cinco ensayos No logran reclutar el número necesario de participantes. A medida que los ensayos se vuelven más complejos —con más puntos de contacto con los pacientes, criterios de inclusión y exclusión más estrictos y diseños de estudio cada vez más sofisticados—, los desafíos de reclutamiento siguen aumentando. No es sorprendente que... investigacion vincula el aumento de la complejidad del protocolo con la disminución de las tasas de inscripción y retención de pacientes.

Además de esto, las normas estrictas y a menudo integraciones Los criterios de elegibilidad, diseñados para garantizar la seguridad de los participantes y la integridad del estudio, a menudo limitan el acceso al tratamiento y excluyen desproporcionadamente ciertas poblaciones de pacientes, incluyendo adultos mayores y minorías raciales, étnicas y de género. Solo en ensayos oncológicos, se estima que... 17–21% de los pacientes no pueden inscribirse debido a requisitos de elegibilidad restrictivos.

La IA está preparada para optimizar los criterios de elegibilidad y el reclutamiento de pacientes. Si bien tradicionalmente el reclutamiento ha requerido que los médicos evalúen manualmente a los pacientes, lo cual consume muchísimo tiempo, la IA puede comparar de forma eficiente y eficaz los perfiles de los pacientes con los ensayos clínicos adecuados.

Por ejemplo, los algoritmos de aprendizaje automático pueden identificar automáticamente patrones significativos en grandes conjuntos de datos, como historiales médicos electrónicos y literatura médica, para mejorar la eficiencia del reclutamiento de pacientes. Los investigadores incluso han desarrollado una herramienta que utiliza modelos de lenguaje extensos para evaluar rápidamente a los candidatos a gran escala y ayudar a predecir la elegibilidad de los pacientes, reduciendo el tiempo de selección en... mayor a 40%.

Las empresas de tecnología sanitaria que adoptan la IA también están desarrollando herramientas que ayudan a los médicos a determinar con rapidez y precisión la elegibilidad de los ensayos para los pacientes. Esto facilita la aceleración del reclutamiento, lo que podría permitir que los ensayos comiencen antes y, por lo tanto, que los pacientes tengan acceso más temprano a nuevos tratamientos en investigación.

3. Accesibilidad del paciente y diversidad limitada

La IA puede desempeñar un papel fundamental para mejorar el acceso a los ensayos clínicos, especialmente para pacientes de grupos demográficos subrepresentados. Esto es importante, ya que la inaccesibilidad y la diversidad limitada no solo contribuyen a las bajas tasas de reclutamiento y retención de pacientes, sino que también conducen a un desarrollo farmacológico inequitativo.

Tenga en cuenta que los centros de ensayos clínicos suelen estar concentrados en zonas urbanas y grandes centros académicos. Como resultado, las comunidades de zonas rurales o marginadas a menudo no pueden acceder a estos ensayos. Las cargas financieras, como los costos del tratamiento, el transporte, el cuidado infantil y el coste de la ausencia laboral, agravan las barreras para la participación en los ensayos y son más pronunciadas en minorías étnicas y raciales y en grupos con un nivel socioeconómico inferior al promedio.

Como resultado, los grupos minoritarios raciales y étnicos representan tan sólo el 2% de los pacientes En ensayos clínicos en EE. UU., a pesar de representar el 39 % de la población nacional. Esta falta de diversidad plantea un riesgo significativo en relación con la genética, que varía entre poblaciones raciales y étnicas y puede influir en las respuestas adversas a los medicamentos. Por ejemplo, los asiáticos, latinos y afroamericanos con fibrilación auricular (ritmos cardíacos anormales relacionados con complicaciones cardíacas) que toman warfarina, un medicamento que previene la formación de coágulos sanguíneos, tienen... mayor riesgo de hemorragias cerebrales en comparación con los de ascendencia europea.

Por lo tanto, una mayor representación en los ensayos clínicos es esencial para ayudar a los investigadores a desarrollar tratamientos que sean efectivos y seguros para diversas poblaciones, garantizando que los avances médicos beneficien a todos, no solo a grupos demográficos selectos.

La IA puede ayudar a los patrocinadores de ensayos clínicos a enfrentar estos desafíos al facilitar ensayos descentralizados, trasladando las actividades de los ensayos a ubicaciones remotas y alternativas, en lugar de recopilar datos en un sitio de ensayos clínicos tradicional.

Los ensayos descentralizados suelen utilizar wearables, que recopilan datos digitalmente y utilizan análisis basados ​​en IA para resumir información relevante y anónima sobre los participantes. Combinado con el registro electrónico, este enfoque híbrido para la implementación de ensayos clínicos puede eliminar las barreras geográficas y las cargas de transporte, haciendo que los ensayos sean accesibles a un mayor número de pacientes.

Los ensayos más inteligentes generan tratamientos más inteligentes

Los ensayos clínicos son otro sector que la IA podría transformar. Gracias a su capacidad para analizar grandes conjuntos de datos, identificar patrones y automatizar procesos, la IA puede ofrecer soluciones integrales y robustas a los obstáculos actuales: optimizar el diseño de ensayos, aumentar la diversidad de pacientes, agilizar el reclutamiento y la retención, y eliminar las barreras de accesibilidad.

Si la industria sanitaria continúa adoptando soluciones basadas en IA, el futuro de los ensayos clínicos tiene el potencial de ser más inclusivo, centrado en el paciente e innovador. Adoptar estas tecnologías no se trata solo de mantenerse al día con las tendencias modernas, sino de crear un ecosistema de investigación clínica que acelere el desarrollo de fármacos y ofrezca resultados sanitarios más equitativos para todos.