COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

Por: CP Dargar, Head para clientes clave en Life Sciences (LS) BPS, Transformación, Automatización y BPaaS 

Las aprobaciones de medicamentos alcanzaron un máximo de 21 años en 2017 luego de que la ‘Administración de Drogas y Alimentos’ de los Estados Unidos (FDA) aprobara 47 nuevas entidades moleculares (NME) para el mercado. Si bien la Investigación y Desarrollo (I+D) farmacéutica nunca ha tenido mejores días, numerosas etapas en la toma de decisiones manuales a lo largo del ciclo de vida del desarrollo del producto continúan creando cuellos de botella.

Los laboratorios, las pruebas y el papeleo de cumplimiento elevan el costo de descubrir un NME de hasta 2 mil millones de dólares o más. Al final de una década, cuando el medicamento está listo para llegar a los estantes, las empresas se ven obligadas a ponerle un precio tan alto que resulta inaccesible para la mayoría de los consumidores, especialmente en los países de bajos ingresos.

El volumen de datos generados por la investigación genómica por día se duplica cada siete meses, e incluye la dosis crítica y la información de la formulación junto con las señales de seguridad del ensayo. La infraestructura de TI actual es incapaz de manejar este flujo, y mucho menos almacenarlo y compartirlo de forma segura. Los requisitos de cumplimiento, incluidos los recientemente introducidos por el Reglamento General de Protección de Datos (GDPR), lo hacen aún más difícil.

Tras reconocer este problema, organizaciones como el Hospital de Investigación para Niños St. Jude y el Instituto de Investigación del Cáncer de Ontario (OICR), están desarrollando plataformas basadas en la nube como repositorios de datos clínicos y médicos con capacidades analíticas integradas. Se espera que estas soluciones ayuden a los investigadores a establecer una única fuente de verdad (SSOT) para informar todo el proceso de desarrollo de medicamentos. Dichas plataformas eventualmente se convertirán en la base de los programas de automatización de procesos y aprendizaje automático (ML) dirigidos por inteligencia artificial (IA) para respaldar las decisiones clínicas y predecir la efectividad de un nuevo medicamento incluso antes de que llegue a la etapa de prueba.

A través de la normalización del contexto, la IA aumenta dramáticamente la cantidad de datos que pueden analizarse en el curso del proceso de descubrimiento y prueba de medicamentos. A su vez, puede generar simultáneamente y probar de manera imparcial nuevas hipótesis a una velocidad que sería imposible para los investigadores humanos. Al visualizar los conocimientos resultantes a través de un panel de control centralizado, las empresas no solo pueden agilizar el proceso de toma de decisiones en cada etapa, sino también obtener una visibilidad completa en toda la cadena de valor de I + D.

La plataforma de IA de una empresa farmacéutica importante, por ejemplo, puede analizar datos privados como informes de laboratorio y ayuda a los investigadores a identificar posibles relaciones entre la acción de los medicamentos y las enfermedades mediante visualizaciones dinámicas. Una vez que una solución basada en IA como ésta se alimenta con suficientes datos históricos de ensayos previos y concurrentes, puede minimizar aún más la necesidad de realizar estudios en animales a través de simulaciones en vivo que ayuden a identificar las moléculas para avanzar a la fase de prueba en vivo. Además, podrá descubrir señales de seguridad que de otro modo podrían haberse perdido en el flujo constante de información generada durante las pruebas de la Fase II.

El rol de IA no termina ahí. En combinación con el procesamiento del lenguaje natural (PNL) y los algoritmos de aprendizaje profundo, puede aumentar significativamente las tasas de éxito en I + D al generar y validar un conjunto de hipótesis clínicas. Una plataforma desarrollada por BenevolentBio puede generar hasta 36 y validar 24 de ellos in vitro en comparación con un investigador de laboratorio típico que puede producir aproximadamente cinco de ellos en el mismo periodo de tiempo.

Esto es solo la parte alta del iceberg en términos de lo que IA puede hacer en el espacio de las ciencias de la vida. Con el uso de dispositivos portátiles y las aplicaciones de mHealth en los consumidores, las compañías ahora están en condiciones de capturar datos clínicos de los pacientes a medida que avanzan en sus vidas normales. Luego puede usar los criterios predictivos junto con este suministro de datos en tiempo real para determinar el resultado de tomar un medicamento, si un paciente abandonará el estudio y si un ensayo tendrá éxito. Los médicos pueden revisar el historial médico de un paciente y posiblemente incluso recibir resultados de laboratorio dentro de un sistema simultáneamente. ¿Estamos entonces acercándonos a un futuro en el que la I + D farmacéutica será un esfuerzo de colaboración entre humanos y máquinas?

COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

NO COMMENTS

DEJAR UN COMENTARIO