Gracias a su potencial para reducir significativamente los costes y el tiempo, aumentar las tasas de éxito normativo y acelerar la entrada en el mercado, el reposicionamiento de fármacos se está convirtiendo en una estrategia atractiva en el desarrollo farmacéutico. A medida que la inteligencia artificial (IA) sigue integrándose en los marcos de reprofilado, estas ventajas están destinadas a expandirse aún más, prometiendo procesos más optimizados y una mayor eficiencia en el descubrimiento. Ante estas elevadas expectativas, la pregunta fundamental sigue siendo: ¿qué se necesita para que la IA alcance su potencial en la transformación de 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: el análisis de IA obtiene su potencia 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 factible para acelerar sus proyectos de reprofilado.
¿Podrían estar fuera de su alcance sus datos más reveladores?
Representando un estimado del 55% de todo el conocimiento de la organización, los “datos oscuros” 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 las eficiencias operativas y en los análisis estratégicos de IA que pueden impulsar los esfuerzos de reposicionamiento.
Los datos oscuros pueden incluir:
- Informes de ensayos clínicos no publicados y archivados como los ensayos abandonados.
- Datos del mundo real (RWD) como las reclamaciones de seguros, los registros médicos electrónicos (EHR) y los historiales de los pacientes.
Como demuestran los usos recientes, los datos oscuros combinados con tecnologías de inteligencia artificial 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 transformar una estrategia prometedora en una oportunidad perdida.
En 2020, Insitro y Bristol Myers Squibb utilizaron una plataforma de cribado apoyada por inteligencia artificial y datos de ensayos clínicos archivados para identificar nuevos objetivos para la esclerosis lateral amiotrófica (ELA) y la demencia frontotemporal.
Diversidad de datos y precisión de las predicciones: ¿puede confiar en sus modelos de inteligencia artificial?
La diversidad de datos es crucial para la precisión de los modelos de inteligencia artificial, especialmente en campos de alto riesgo como el reposicionamiento de fármacos. Los modelos de inteligencia artificial entrenados y que operan con datos limitados pueden afectar a sus análisis y a la calidad de las percepciones generadas, socavando los beneficios de su estrategia y obstaculizando los flujos de trabajo de reposicionamiento de fármacos.
La falta de diversidad de datos puede dar lugar a:
- Validación deficiente del modelo y capacidades limitadas— Entrenar modelos de inteligencia artificial con datos homogéneos restringe su aprendizaje a un conjunto limitado de escenarios y limita el reconocimiento de patrones. Esto puede llevar a pasar por alto percepciones críticas y puede obstaculizar la capacidad del modelo para aplicar los hallazgos de forma amplia, lo que dificulta los esfuerzos de reposicionamiento de fármacos.
- Sesgos y percepciones engañosas— Si se alimentan con datos sesgados o no representativos, los algoritmos de inteligencia artificial corren el riesgo de generar percepciones sesgadas que conducen a una mala toma de decisiones. Esto puede dar lugar a recomendaciones de reposicionamiento de fármacos que sean menos eficaces o inseguras para los grupos no representados, lo que podría causar resultados adversos en las aplicaciones clínicas.
- Falsos positivos y desperdicio de recursos— Confiar en las predicciones de la inteligencia artificial basadas en datos sesgados puede dar lugar a falsos positivos, donde se persiguen erróneamente candidatos de reprofilado de fármacos que no son viables. Esto no solo desperdicia tiempo y recursos financieros, sino que también desvía la atención de pistas más prometedoras.
La integración de 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 inteligencia artificial y preparar el terreno para predicciones precisas que agilicen los esfuerzos de reposicionamiento de fármacos.
En 2024, los investigadores aprovecharon modelos de aprendizaje automático durante una década de RWD para emular miles de ensayos clínicos e identificar cinco candidatos de 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 inteligencia artificial en el desarrollo farmacéutico y acelerar su flujo de trabajo de reposicionamiento. Sin embargo, más datos no significan necesariamente mejores datos.
La mera acumulación de grandes cantidades de información para potenciar el análisis basado en inteligencia artificial 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 los 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 de proyectos específicos para que contribuyan directamente a las percepciones o decisiones que se estén 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 reprofilado basadas en inteligencia artificial a fin de garantizar resultados positivos y evitar errores costosos.
Un vistazo a un ejemplo real: 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 inteligencia artificial. Esto dio lugar a nuevas oportunidades de reposicionamiento de fármacos para enfermedades como la ELA.
Gestión del conocimiento: La columna vertebral del reposicionamiento de fármacos asistido por inteligencia artificial con éxito
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 inteligencia artificial. Es por ello que las estrategias de gestión del conocimiento se han vuelto aún más críticas en los últimos años.
Al invertir en la solución de gestión del conocimiento adecuada, puede garantizar la disponibilidad, diversidad y calidad de los datos, lo que permite una integración perfecta en las estrategias de reposicionamiento de fármacos basadas en inteligencia artificial. Sin embargo, seleccionar e implementar el enfoque correcto que se alinee con las necesidades y objetivos de su proyecto requiere una comprensión profunda de las opciones de gestión del conocimiento para superar las barreras de integración de datos e impulsar sus esfuerzos de reprofilado a nuevas alturas.
Descargue este estudio para explorar soluciones eficaces de gestión del conocimiento
Estrategia de reposicionamiento de fármacos basada en inteligencia artificial con éxito: Todo se reduce a los datos
A medida que la inteligencia artificial ocupa un lugar central en los flujos de trabajo de reposicionamiento de fármacos, las empresas farmacéuticas deben examinar los datos que impulsan 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 elaborar e implementar soluciones eficaces de gestión del conocimiento para fortalecer su estrategia de reposicionamiento de fármacos basada en inteligencia artificial, sentando las bases para avances terapéuticos que transformarán la vida de millones de pacientes.
