Gracias a su potencial para reducir significativamente los costes y los tiempos, aumentar las tasas de éxito normativo y acelerar la entrada en el mercado, el reposicionamiento de fármacos se está consolidando como una estrategia atractiva en el desarrollo farmacéutico. A medida que la inteligencia artificial (IA) se integra en los marcos de reprofilado, estas ventajas están destinadas a expandirse aún más, prometiendo procesos más ágiles y una mayor eficiencia en el descubrimiento. Ante estas elevadas expectativas, surge la pregunta fundamental: ¿qué se necesita para que la IA alcance su potencial y transforme los esfuerzos de reposicionamiento de fármacos?
Este artículo analiza las consideraciones críticas que pueden determinar el éxito o el fracaso de sus proyectos de reposicionamiento de fármacos asistidos por IA.
Datos oscuros y accesibilidad: ¿están sus datos preparados para la IA?
No es ningún secreto: la analítica de IA se nutre de los datos. Impulsada por volúmenes masivos de información, la IA puede descubrir tendencias y patrones que a menudo pasan desapercibidos para los analistas humanos y generar información práctica para acelerar sus proyectos de reprofilado.
¿Podrían estar fuera de su alcance sus datos más valiosos?
Los «datos oscuros», que representan aproximadamente el 55% de todo el conocimiento de una organización, se refieren a la información no estructurada que las empresas acumulan con el tiempo pero que nunca utilizan para otros fines. Por lo general, al no estar armonizados y almacenarse en sistemas inconexos, estos datos tienen una accesibilidad limitada, lo que impide su integración en la eficiencia operativa y en la analítica estratégica de IA que puede impulsar los esfuerzos de reposicionamiento.
Los datos oscuros pueden incluir:
- Informes de ensayos clínicos archivados y no publicados, como los de ensayos abandonados.
- Datos del mundo real (RWD), como reclamaciones de seguros, historias clínicas electrónicas (HCE) y antecedentes de pacientes.
Como demuestran los usos recientes, los datos oscuros combinados con las tecnologías de IA tienen el potencial de descubrir con éxito nuevos usos terapéuticos para fármacos existentes. Sin embargo, las organizaciones que no aprovechan los datos inactivos para respaldar sus esfuerzos de reprofilado pueden convertir una estrategia prometedora en una oportunidad perdida.
En 2020, Insitro y Bristol Myers Squibb utilizaron una plataforma de cribado asistida por IA y datos de ensayos clínicos archivados para identificar nuevas dianas para la esclerosis lateral amiotrófica (ELA) y la demencia frontotemporal.
Diversidad de datos y precisión de las predicciones: ¿puede confiar en sus modelos de IA?
La diversidad de los datos es crucial para la precisión de los modelos de IA, especialmente en campos de gran importancia como el reposicionamiento de fármacos. Los modelos de IA entrenados y operativos con datos limitados pueden afectar a su analítica y a la calidad de la información generada, socavando los beneficios de su estrategia y obstaculizando los flujos de trabajo de reposicionamiento de fármacos.
La falta de diversidad en los datos puede provocar:
- Validación deficiente del modelo y capacidades limitadas— Entrenar modelos de IA con datos homogéneos limita su aprendizaje a un conjunto reducido de escenarios y restringe el reconocimiento de patrones. Esto puede llevar a pasar por alto información crítica y dificultar la capacidad del modelo para aplicar los hallazgos de forma generalizada, lo que obstaculiza los esfuerzos de reposicionamiento de fármacos.
- Sesgos e información engañosa— Si se alimentan con datos sesgados o poco representativos, los algoritmos de IA corren el riesgo de generar conclusiones distorsionadas que conducen a una toma de decisiones deficiente. Esto puede derivar en recomendaciones de reposicionamiento de fármacos menos eficaces o inseguras para grupos no representados, lo que podría causar efectos adversos en aplicaciones clínicas.
- Falsos positivos y desperdicio de recursos— Confiar en predicciones de IA basadas en datos sesgados puede generar falsos positivos, donde se persiguen erróneamente candidatos a reposicionamiento no viables. Esto no solo desperdicia tiempo y recursos financieros, sino que desvía la atención de líneas de investigación más prometedoras.
Integrar datos oscuros en los conjuntos de datos de entrenamiento y análisis puede mejorar la diversidad de los datos y ayudar a evitar el sesgo informativo. Sin embargo, para fortalecer las capacidades de los algoritmos predictivos, las organizaciones deben ir más allá de sus recursos internos para enriquecer sus bases de datos, reforzar la robustez de los modelos de IA y crear un entorno propicio para predicciones precisas que aceleren los esfuerzos de reposicionamiento de fármacos.
En 2024, los investigadores aprovecharon modelos de aprendizaje automático con una década de datos del mundo real (RWD) para emular miles de ensayos clínicos e identificar cinco candidatos a reposicionamiento de fármacos para tratar la enfermedad de Alzheimer.
Calidad y fiabilidad de los datos: ¿Qué tan sólida es su base de datos?
Disponer de una gran cantidad de datos diversos puede mejorar significativamente el potencial de la IA en el desarrollo farmacéutico y acelerar su proceso de reposicionamiento. Sin embargo, más datos no significa necesariamente mejores datos.
La mera acumulación de grandes cantidades de información para potenciar la analítica basada en IA no es suficiente para garantizar resultados fiables y dignos de confianza. Para lograrlo, las organizaciones deben asegurarse de que cada dato sea:
- Completo: Asegúrese de que todos los conjuntos de datos sean exhaustivos, complete los valores faltantes e identifique las lagunas que puedan afectar al análisis.
- Preciso: Verifique que los datos reflejen la realidad y corrija cualquier error o anomalía detectada durante las evaluaciones de calidad de los datos.
- Consistente: Armonice formatos, valores y estructuras en todas las fuentes de datos para facilitar el análisis y la integración.
- Relevante: Alinee los datos con objetivos de investigación o necesidades del proyecto específicos para que contribuyan directamente a las conclusiones o decisiones que se están considerando.
Aunque el auge de las tecnologías digitales y las iniciativas de intercambio de datos permite un acceso simplificado a volúmenes masivos de información, debe verificar y limpiar los datos para sus estrategias de reposicionamiento basadas en IA a fin de garantizar resultados positivos y evitar errores costosos.
Un vistazo a un ejemplo real: La empresa de descubrimiento de fármacos Insilico Medicine colaboró con instituciones de primer nivel, como la Clínica Mayo y la Facultad de Medicina de Harvard, y obtuvo acceso a datos clínicos extensos y bien seleccionados para mejorar sus plataformas basadas en IA. Esto dio lugar a nuevas oportunidades de reposicionamiento de fármacos para enfermedades como la ELA.
Gestión del conocimiento: La columna vertebral del éxito en el reposicionamiento de fármacos asistido por IA
A medida que los marcos de reposicionamiento de fármacos dependen más de las tecnologías cognitivas, las organizaciones deben reevaluar cómo recopilan, limpian y almacenan la información para abordar los desafíos relacionados con los datos y maximizar el potencial de la IA. Por ello, las estrategias de gestión del conocimiento han cobrado aún más importancia en los últimos años.
Al invertir en la solución de gestión del conocimiento adecuada, puede garantizar la disponibilidad, diversidad y calidad de los datos, permitiendo una integración fluida en las estrategias de reposicionamiento de fármacos basadas en IA. Sin embargo, seleccionar e implementar el enfoque correcto que se alinee con las necesidades y objetivos de su proyecto requiere un conocimiento profundo de las opciones de gestión del conocimiento para superar las barreras de integración de datos e impulsar sus esfuerzos de reposicionamiento a nuevas cotas.
Descargue este informe técnico para explorar soluciones eficaces de gestión del conocimiento
Estrategia de reposicionamiento de fármacos basada en IA: Todo se reduce a los datos
A medida que la IA ocupa un lugar central en los flujos de trabajo de reposicionamiento de fármacos, las empresas farmacéuticas deben examinar los datos que alimentan sus modelos para evitar inversiones equivocadas y reducir los riesgos asociados. Al comprender los elementos clave de las tecnologías avanzadas basadas en datos, las organizaciones pueden diseñar e implementar soluciones de gestión del conocimiento eficaces para fortalecer su estrategia de reposicionamiento de fármacos, sentando las bases para avances terapéuticos que transformarán la vida de millones de pacientes.
