Descubrir nuevos fármacos es una propuesta costosa. De 2012 a 2022, ajustado a la inflación, el gasto en investigación y desarrollo farmacéutico aumentó casi 50 por ciento, alcanzando alrededor de 250 mil millones de dólares, según Bernstein Research; sin embargo, el número de aprobaciones de nuevos medicamentos se mantuvo casi sin cambios. Aquí la inteligencia artificial (IA) podría ayudar.
El desarrollo de un nuevo tratamiento está plagado de retos. Analizar la neumonía bacteriana adquirida en el hospital en un ensayo clínico de fase 3 con mil pacientes costó poco menos de 90 mil dólares por paciente, de acuerdo con una investigación de las universidades de Tufts y Duke. La falta de conejillos de indias es otro problema; en un estudio, más de dos tercios de los ensayos clínicos de Reino Unido no lograron reclutar suficientes candidatos.
Jack Scannell y otros investigadores denominaron a esto, desde hace más de una década, la Ley de Eroom. Esta es la versión inversa de la Ley de Moore, que predice que la cantidad de transistores que se pueden integrar en un microchip se duplica cada dos años. El número de nuevos medicamentos por cada mil millones de dólares invertidos en investigación y desarrollo se reduce a la mitad aproximadamente cada nueve años desde 1950. Los ensayos, clínicos desde la fase 1 hasta su lanzamiento, aún tardan una década en promedio, según cálculos de McKinsey, e incluso así, solo uno de cada diez tiene éxito.
Las organizaciones de investigación por contrato, que realizan estos ensayos clínicos para compañías farmacéuticas y similares, apuestan en que la inteligencia artificial ayudará a mejorar estas probabilidades. IQVIA, la más grande con un valor de mercado de 32 mil millones de dólares, está implementando sistemas de IA agentic de Nvidia en varios procesos. En un caso, se estima que esto reduce la revisión de datos de siete semanas a tan solo quince días. Medidata, propiedad de Dassault Systèmes, y Flatiron, de Roche, otorgan licencias de software a organizaciones que realizan investigación.
Las grandes compañías farmacéuticas también participan en la iniciativa. Genentech, parte de la suiza Roche, denomina a su estrategia de alimentar modelos de inteligencia artificial con datos derivados de experimentos “laboratorio en un bucle”. Los modelos generan predicciones y tratamientos de enfermedades, que posteriormente son probados por científicos humanos.
Dado que la inteligencia artificial parece un complemento natural para los ensayos clínicos, se espera que se sigan desarrollando más. Los grupos farmacéuticos manejan enormes cantidades de datos y se requiere mucho trabajo rutinario en los diversos procesos, desde el flujo de trabajo hasta el análisis. La herramienta tecnológica puede procesarlos en una fracción de tiempo. Mientras tanto, la IA generativa puede crear conjuntos de datos sintéticos para simulaciones.
Cabe destacar un par de advertencias. Un punto de fricción es que las regulaciones y la ética que rigen el campo todavía no se adaptan a lo teóricamente posible. El otro es que las empresas de investigación clínica no han tenido un buen desempeño debido al aumento de los costos de los ensayos clínicos y la mercantilización de algunas tecnologías. Esperan que la inteligencia artificial no solo mejore los ensayos, sino también sus márgenes.
El sueño sería erradicar, o incluso revertir, la Ley de Eroom. Por ahora, sigue siendo un sueño. Pero si hay una industria acostumbrada al ensayo y error, es ésta.
