La Inteligencia Artificial (IA) ha dejado de ser una visión futurista para convertirse en una realidad tangible que está revolucionando múltiples sectores, incluyendo la investigación clínica y la atención sanitaria. En campos complejos como la oncología, la capacidad de la IA para manejar y analizar grandes volúmenes de datos, optimizar la selección de pacientes y anticipar resultados terapéuticos está acelerando el desarrollo de nuevos tratamientos con mayor eficiencia y precisión. La IA está impactando positivamente en varias fases del ciclo de vida de los medicamentos y la atención al paciente.
Descubrimiento de fármacos acelerado: la IA y el aprendizaje automático (ML) han emergido como herramientas transformadoras, permitiendo reducir significativamente los tiempos y costos del desarrollo farmacéutico. Algoritmos de aprendizaje profundo (deep learning) han permitido la identificación de nuevos antibióticos y han reducido plazos de descubrimiento de años a meses. La IA facilita el diseño de moléculas innovadoras y optimiza propiedades como la toxicidad y la farmacocinética.
Optimización de ensayos clínicos: en los ensayos, la IA mejora la precisión desde la etapa de diseño, prediciendo configuraciones óptimas mediante el análisis de datos históricos. Plataformas como el proyecto DREAM utilizan algoritmos para analizar datos de cáncer de mama y predecir respuestas terapéuticas, lo que optimiza el ensayo desde sus etapas iniciales y reduce costos. Además, en la selección de pacientes, empresas como AstraZeneca utilizan IA para analizar historiales y datos genéticos, identificando biomarcadores que predicen la respuesta a terapias específicas, lo que aumenta la probabilidad de obtener resultados estadísticamente significativos.
Diagnóstico y seguridad en tiempo real: la IA mejora la seguridad mediante la monitorización continua y automatizada de signos vitales y efectos adversos. Roche, por ejemplo, ha implementado herramientas de IA en oncología para identificar patrones en los síntomas y generar alertas tempranas para los investigadores, optimizando el manejo de efectos adversos. En la práctica clínica en España, la IA ya está marcando la diferencia en diagnósticos críticos.
Se ha implementado el aprendizaje federado en hospitales españoles para detectar signos de covid-19 en radiografías de tórax con un 89% de precisión, superando los modelos locales.
Algoritmos han demostrado una fiabilidad del 96% en la alerta temprana de sepsis con 24 horas de antelación en el Hospital Universitario Son Llàtzer, mejorando drásticamente la capacidad de detección precoz.
En casos de ictus, la IA puede detectar oclusiones de gran vaso en TAC cerebrales sin contraste, ganando minutos cruciales para el tratamiento y mostrando una precisión un 45% mayor que la de los radiólogos en la evaluación de esas imágenes.
Los retos críticos: ética y datos
A pesar de estos beneficios, la adopción generalizada de la IA se ve limitada por barreras significativas de naturaleza técnica, ética y regulatoria.
Calidad y sesgo de los datos: la efectividad de la IA depende de grandes volúmenes de datos precisos y bien estructurados. Si los algoritmos se entrenan con datos históricos que reflejan sesgos sociales, raciales o de género, pueden amplificar estas desigualdades, llevando a conclusiones erróneas o prácticas injustas.
Opacidad de los algoritmos: muchos sistemas de IA, especialmente los modelos de Deep Learning, funcionan como “cajas negras”, lo que significa que los investigadores y desarrolladores no siempre pueden explicar claramente cómo se llegó a una conclusión. En la investigación clínica y la ética, esta falta de transparencia es un obstáculo para la validación regulatoria y la confianza.
Preparación regulatoria y ética: la introducción de la IA plantea serias cuestiones éticas, incluyendo la protección de datos y la privacidad. Los comités de ética en investigación no siempre están preparados con el conocimiento técnico y las pautas específicas para comprender y gestionar los desafíos únicos que introduce la IA. Las autoridades regulatorias deben adaptar sus marcos de evaluación para abordar estas complejidades.
Para maximizar el potencial de la IA, es esencial abordar los desafíos éticos, regulatorios y técnicos. La Organización Panamericana de la Salud (OPS) y el Banco Interamericano de Desarrollo (BID) están comprometidos a apoyar a los Estados Miembros en la integración de la IA en los sistemas de salud pública.
Las instituciones de salud deben guiarse por principios rectores que exigen que la IA sea centrada en las personas, con una base ética, transparente y no discriminatoria. Es crucial fomentar la colaboración interdisciplinaria entre expertos en informática, derecho, ética y sociología para generar una visión integral.
La OPS y el BID han desarrollado un kit de herramientas de evaluación de la preparación para ayudar a los gobiernos a planificar estratégicamente la integración de la IA, asegurando una base sólida para una integración exitosa que mejore los resultados de salud pública y la eficiencia operativa.
