“Medir mejor para decidir mejor”: la industria farmacéutica pone a prueba la IA durante el desarrollo de terapias

CIUDAD DE MÉXICO.– Una de las múltiples aplicaciones en las que se está desafiando la eficiencia de la inteligencia artificial (IA) es la producción de información necesaria para la toma de decisión en la industria farmacéutica. ¿Qué decisión? Por ejemplo, si continuar o abandonar el desarrollo de una potencial terapia, de acuerdo con un ejecutivo del sector.

“La IA se está utilizando en el campo de los descubrimientos para encontrar moléculas nuevas. En el campo de los ensayos clínicos, más ampliamente, se está aplicando también para automatizar algunas tareas que son repetitivas, como escribir informes. Desde el punto de vista del análisis de imágenes, el principio con el que se está trabajando es: si podemos medir mejor, podemos decidir mejor”, plantea Gregory Goldmacher, vicepresidente asociado de Investigación Clínica del laboratorio MSD antes de su presentación en un encuentro regional al que fue invitado LA NACIÓN.

¿Cómo colabora la IA en ese proceso, que aún está en etapa de prueba en el sector? Como ejemplo, el ejecutivo, que es médico especializado en radiología diagnóstica e investigación clínica, cita el desarrollo de una molécula para oncología. El estándar vigente para decidir si un fármaco para el cáncer funciona en un ensayo clínico, según explica en términos generales, es seleccionar un subgrupo de tumores, medirlos en el tiempo y, entre otras variables, observar si disminuye o si aumenta el tamaño de acuerdo con porcentajes que clínicamente indican respuesta o progresión.

“Ese tipo de evaluaciones se correlacionan bien con una mejoría de la supervivencia cuando el número de pacientes es alto. Si esa cantidad es muy pequeña, las definiciones a partir de estas mediciones son poco fiables”, explica Goldmacher para luego apuntar que “las decisiones importantes” en la industria farmacéutica se plantean “más temprano” en ese proceso: las fases 1 o 2 de un ensayo clínico, cuando los participantes no son tantos como en las etapas más avanzadas.

“Pero –continúa– hay que tomar una decisión de si avanzar o no con una droga a la fase 3, lo que puede ser un error muy costoso si la decisión es la equivocada. El papel de la IA acá, que es lo que se está estudiando activamente, es hacer mediciones que incluyan la relación entre píxeles [unidades de medida de una imagen digital] dentro y alrededor del tumor y decirnos algo de su biología, en lugar de estimar solo el tamaño. Es decir, si hay inflamación o si está muy vascularizado, etcétera.”

Con esto, de acuerdo con los resultados que van teniendo, la IA brinda información sobre si un fármaco que se está administrando en etapas iniciales del desarrollo modifica la biología tumoral. “Y esto se puede hacer de manera no invasiva, con una imagen por tomografía computada. Podemos determinar si un fármaco está o no funcionando”, pondera.

Hay otras mediciones más costosas que también se están poniendo a prueba para mejorar con sistemas asistidos por IA. “Al mirar la tasa de crecimiento tumoral, por ejemplo, se pueden hacer mejores predicciones de lo que finalmente funcionará con un número más pequeño de pacientes”, agrega el ejecutivo. “Pero, para hacer esas mediciones, es mejor usar imágenes en 3D y de todos los tumores, en lugar de un subgrupo seleccionado. Esto es muy costoso para hacer y acá es donde la IA permite escalar una tarea que la pueden hacer las personas, pero es altamente laborioso”, explica.

Por el momento, se está en la etapa de perfeccionar los sistemas por IA, con evaluaciones retrospectivas de información de ensayos clínicos ya realizados y de manera prospectiva para definir si las mediciones dan más y mejor información para la toma de decisiones que, la mayoría de las veces en el desarrollo de un fármaco, apuntan a responder cuándo detenerlo. “Muchos, muchos fármacos quedan en el camino, pero cuanto más tarde se decida, más costoso es. De modo que, si podemos determinar antes que una molécula no va a funcionar, más beneficioso será porque eso permite disponer de más recursos para otros desarrollos”, resume.

Durante el encuentro en esta ciudad, en la que se repasó el avance de las tecnologías aplicadas a la salud, se anticipó “una revolución” en la próxima década, con cambios que, según se espera, logren reducir la burocracia en los sistemas sanitarios y la carga de trabajo de los profesionales. En la Argentina, hay también proyectos que están avanzando en ese sentido, con sus retos y beneficios.

“Todo sistema de IA es tan bueno como el conjunto de datos utilizado para entrenarlo. Si tomamos las radiografías de tórax, por ejemplo, el volumen de datos disponible es enorme: solo como referencia, hay 3000 millones de imágenes radiológicas hechas en el mundo –cita Goldmacher–. Pero, ¿son perfectas estas herramientas? No, no lo son. Pero sabemos que tienden a ser demasiado sensibles.”

En uno de los centros de referencia en oncología de esta ciudad que aplica IA al análisis de todas las imágenes de tórax, un especialista le refirió días antes que el sistema reacciona “exageradamente” el 70% de las veces con respecto de la detección por tomografía computada. “Hay que pensar esto desde el punto de vista del costo del seguimiento clínico, el paciente y la población. Es decir que, en términos de ventajas y desventajas –finaliza el radiólogo–, siempre hay que evaluar su aplicación desde la sensibilidad o la especificidad.”