Las farmacéuticas incorporan la IA en los ensayos clínicos y las operaciones de desarrollo de fármacos

El desarrollo de fármacos se ha vuelto demasiado caro y demasiado lento como para depender de flujos de trabajo manuales, ya que el coste de llevar una sola terapia al mercado se eleva a miles de millones y los plazos de aprobación se extienden durante una década o más. En respuesta, las compañías farmacéuticas están rediseñando sus modelos operativos en torno a la inteligencia artificial. Al integrar el aprendizaje automático en la ejecución de los ensayos y en la infraestructura de cumplimiento, los desarrolladores de fármacos están apuntando a los cuellos de botella más costosos y propensos al fracaso en la forma en que las terapias se prueban, se revisan y, en última instancia, llegan al mercado.

Las grandes farmacéuticas están desplegando herramientas de IA para acelerar los ensayos clínicos y las presentaciones regulatorias, identificando pacientes elegibles a partir de historiales de salud fragmentados, optimizando la selección de centros de ensayo, prediciendo el riesgo de abandono e incluso generando primeros borradores de expedientes regulatorios para agencias como la U.S. Food and Drug Administration. Con costes de desarrollo que superan con regularidad los $2 billion a $3 billion por terapia y plazos que se prolongan más de una década, las ineficiencias en los ensayos y en los flujos de trabajo regulatorios representan riesgos tanto financieros como para la salud humana.

Los ensayos clínicos siguen siendo una de las fases más costosas y lentas del desarrollo de fármacos. La IA se está aplicando a problemas persistentes como el reclutamiento de pacientes, la retención y la monitorización de la seguridad. Las autoridades regulatorias reciben cada vez más datos de salud estructurados y no estructurados —como historias clínicas electrónicas e imágenes— que los métodos tradicionales tienen dificultades para armonizar. Los modelos de IA pueden incorporar estos tipos de datos dispares para crear perfiles de elegibilidad más precisos y predecir el riesgo de abandono, abordando dos de los predictores más fuertes del fracaso de un ensayo.

Los algoritmos de aprendizaje automático pueden analizar datos de imagen y evidencia del mundo real (real-world evidence) para detectar señales de seguridad antes que los métodos convencionales, lo que permite estrategias proactivas de mitigación de riesgos. Estas perspectivas predictivas pueden orientar tanto la ejecución como la estrategia regulatoria. Las empresas están explorando la IA generativa para redactar informes de estudios clínicos y partes de las presentaciones regulatorias, una tarea que históricamente implicaba miles de horas de recopilación y edición manual. El objetivo no es reemplazar a los expertos humanos, sino reducir el trabajo repetitivo y acelerar los plazos de presentación sin sacrificar el rigor.

El negocio de investigación clínica PPD de Thermo Fisher Scientific se ha asociado con Datavant en un proyecto para mejorar la conexión entre los datos del mundo real y la investigación clínica. La iniciativa se centra en la vinculación segura de datos —con énfasis en preservar la privacidad de los pacientes— y en garantizar su interoperabilidad, además de mejorar la analítica para apoyar un diseño de estudios más eficiente y una generación de evidencia más rápida a lo largo del ciclo de vida de la investigación. La alianza combinará las plataformas de ensayos clínicos y de registros de pacientes de PPD con la tecnología de tokenisation de Datavant, que desidentifica los datos de los pacientes y permite incorporar de forma segura la información de las historias clínicas electrónicas.

La aplicación de la IA en el desarrollo de fármacos no comenzó con los ensayos; empezó en el descubrimiento. Las herramientas de química computacional que antes ayudaban a los químicos en el modelado y la simulación son cada vez más autónomas. Hoy la IA está asumiendo cada paso del descubrimiento de fármacos, desde la selección de dianas hasta la optimización, utilizando el reconocimiento de patrones para proponer candidatos viables mucho más rápido que los métodos tradicionales basados en laboratorio.

Los grandes actores tecnológicos y los proveedores de hardware están entrando en estos flujos de trabajo, difuminando las fronteras entre la TI y las ciencias de la vida. Nvidia y Eli Lilly anunciaron un laboratorio de coinnovación para impulsar el descubrimiento de fármacos. El brazo de investigación de Google también está utilizando modelos de IA Gemma para el descubrimiento de terapias contra el cáncer, lo que demuestra cómo los modelos de lenguaje a gran escala y los modelos generativos pueden analizar vías biológicas y proponer nuevas hipótesis terapéuticas.

La IA ya no es una ayuda computacional de nicho en la I+D temprana. Se está convirtiendo en un ecosistema operativo de extremo a extremo que respalda la selección de pacientes, la monitorización de la seguridad, la generación de documentación, la logística de los ensayos y la interacción regulatoria.