A principios de este mes, el corresponsal nacional de STAT, Casey Ross, y un equipo de destacados expertos del sector —entre ellos Niven Narain, presidente y CEO de Berg; Christoph Lengauer, presidente y cofundador de Celsius Therapeutics; Mariana Nacht, directora científica de Vivid Biosciences y Donald Bergstrom, director de I+D de Relay Therapeutics— se reunieron en Boston para hablar sobre el papel que desempeña la IA en el desarrollo de medicamentos. Y yo tuve el enorme placer de presentar el panel a una audiencia de más de 130 asistentes.
En CAS, hacemos todo lo posible por ayudar a las organizaciones a usar el contenido y la tecnología adecuados, combinados con los conocimientos expertos de un equipo humano, para acceder a datos científicos esenciales que impulsen el descubrimiento y guíen las decisiones de inversión estratégicas. Por este motivo, tenía especial interés en conocer la opinión de los participantes en el debate sobre los aspectos positivos y las dificultades de la incorporación de la tecnología en el proceso de desarrollo de medicamentos. Y no puedo estar más de acuerdo con las opiniones expresadas en la conversación. Muchos de los aspectos que se analizaron son problemas a los que nos enfrentamos a diario en CAS.
Si no tuvo oportunidad de acompañarnos en Boston, siga leyendo para conocer las ideas más destacadas de este debate, que sin duda invitan a la reflexión.
Definición y aplicación de la IA
Si preguntamos a tres personas qué es la IA, probablemente obtendremos tres respuestas diferentes. Esta idea la corroboró Nacht, quien señaló que cada persona parece tener su propia interpretación de la IA y que, en definitiva, la forma en que la aplicamos suele definir el significado que le atribuimos. Para ella, significa integrar grandes cantidades de datos mediante un algoritmo iterativo que debe perfeccionarse y redefinirse continuamente en función de los resultados.
Por su parte, Narain explicó que él la entiende como el análisis que realiza una máquina de forma independiente, sin interacción humana ninguna. Según comentó, si se toma en consideración el núcleo de su definición, se podría argumentar que Microsoft Excel es un ejemplo de aprendizaje automático: el usuario introduce los datos, Excel los procesa y, a continuación, se obtiene un resultado. Sin embargo, en el ámbito de la sanidad, la definición entraña una complejidad mucho mayor, pues la obtención de resultados verificables es un factor crucial.
"[En el ámbito de la sanidad], es muy importante no detenerse en el modelo —afirmó—. Hacerlo nos llevaría a preguntarnos si el resultado es una mera correlación. Y en lo que respecta a la enfermedad y la salud, [eso no es suficiente], tenemos que llegar a la causalidad".
En CAS, creemos que la combinación del conocimiento humano, la tecnología y los datos genera los mejores resultados, por lo que este argumento me pareció muy acertado, pues concuerda con la idea de que la IA, por sí sola, no impulsa la innovación. El conocimiento humano sigue siendo fundamental para garantizar que las estructuras de datos y los algoritmos son los correctos; además, estas estructuras y algoritmos deben ajustarse continuamente para lograr que la exactitud y los resultados sean óptimos.
La importancia de la calidad de los datos
Una de las formas más destacadas en que la IA ayuda a los investigadores es mediante la interpretación de los datos y el descubrimiento de información que, de otro modo, permanecería oculta. Por ejemplo, la IA puede hacer cálculos a partir de conjuntos de datos enormes de naturaleza muy dispar, desde muestras de tejido y mutaciones genéticas hasta datos de evolución de síntomas. Esto ayuda a los investigadores a definir con mayor claridad sus poblaciones de pacientes y les permite adoptar decisiones fundamentadas sobre el proceso que debe seguir el desarrollo de un medicamento o sobre cómo debe administrarse este una vez comercializado. Ahora bien, para poder extraer esas conclusiones es necesario contar con los datos adecuados, tal como señaló Lengauer. En su intervención, compartió el ejemplo de un medicamento que ofreció resultados prometedores en el 40 % de los pacientes que lo probaron. "No sabemos por qué no funcionó en el 60 % restante de los pacientes, ni por qué ese 40 % sí respondió. No podemos estratificar a los pacientes y no conocemos el mejor momento para administrar el medicamento: ¿en el momento del diagnóstico, como último recurso o en el transcurso de los brotes? En el campo del descubrimiento de fármacos, es preciso desarrollar medicamentos que funcionen".
Muchas preguntas y pocas certezas; esta es la frustrante realidad de muchos investigadores, ya que, en el ámbito del descubrimiento de fármacos, la obtención de grandes volúmenes de datos fiables puede resultar increíblemente difícil. Y esto acentúa la necesidad de contar con datos normalizados e industrializados que se puedan usar en combinación con la tecnología más avanzada. Por ejemplo, en los ensayos clínicos sobre el cáncer, el problema radica en el tamaño mediano de los conjuntos de datos. Como apuntó Bergstrom: "El conjunto de datos es demasiado grande para que el hombre detecte un patrón, pero no lo suficientemente grande para que los algoritmos puedan interpretarlo".
Todo esto me hizo pensar en el trabajo que hacemos en CAS. Día tras día, ayudamos a nuestros clientes a acceder a sus activos de información, organizarlos y comprenderlos mejor mediante la creación de soluciones de gestión de datos más eficaces. Y los resultados que estas soluciones son capaces de obtener constatan que la calidad y la organización de los datos son factores clave para impulsar la innovación.
Si desea conocer todas las opiniones de los expertos, puede ver el debate completo bajo demanda. Y si quiere explotar al máximo los recursos de datos de su organización para impulsar su negocio, descubra cómo puede ayudarle CAS.