AI Cumbre de la Salud - Edición 2024

Principales conclusiones de la mesa redonda "Liberar el poder de AI en los ensayos clínicos" con Luca Mollo, Vicepresidente, Director Médico en Francia, M.D. en Pfizer, Thomas Filaire, Socio en Artefact, y Léa Giroulet, Consultora Senior Data en Artefact.

El debate giró en torno al papel transformador de AI en los ensayos clínicos, apoyado por las ideas de Pfizer y Artefact, y destacado en su libro blanco de colaboración. Se expusieron casos de uso concretos, la cartografía del ecosistema y los retos que plantea la ampliación de las innovaciones de AI .

class="img-responsive

ArtefactLa motivación del Libro Blanco

Artefact identificó una creciente demanda de AI en I+D, impulsada por su potencial para acortar la duración de los ensayos clínicos hasta en un 50%, acelerar la entrega de terapias innovadoras y garantizar la competitividad de las empresas farmacéuticas. Los casos de uso explorados en el libro blanco ya se están aplicando o integrando en las estrategias a medio plazo de las partes interesadas.

Pfizer utiliza AI para descubrir fármacos

Pfizer aprovecha AI para analizar conjuntos de datos, identificar dianas farmacológicas, predecir la eficacia y optimizar el desarrollo. Por ejemplo, durante la pandemia COVID-19, AI permitió a Pfizer reducir la selección de moléculas de 3 millones a 600, acelerando el desarrollo de un fármaco antivírico oral de cuatro años a cuatro meses. Además, AI facilitó nuevas metodologías como los ensayos clínicos descentralizados y la monitorización remota, ayudando a reducir los plazos medios de desarrollo de fármacos de 8,6 años en 2019 a 4,8 años en 2022.

Fases clave de los ensayos clínicos

El libro blanco divide la cadena de valor de los ensayos clínicos en tres fases: diseño, captación de pacientes y ejecución. Para el diseño del ensayo, los modelos de lenguaje amplio (LLM) extraen la seguridad y la eficacia data de ensayos anteriores, lo que agiliza los protocolos de estudio. La captación de pacientes se beneficia de los modelos de AI que analizan los datos demográficos y el historial médico para predecir las tasas de abandono, lo que garantiza la continuidad del ensayo. La ejecución y la gestión se mejoran mediante el procesamiento data basado en AI, lo que reduce el tiempo necesario para generar informes y presentarlos a las autoridades reguladoras.

Avances en la gestión clínica data

AI automatiza tareas laboriosas como la limpieza, el procesamiento y el análisis de datos clínicos data, descubriendo patrones y correlaciones que los métodos tradicionales podrían pasar por alto. Durante el desarrollo de la vacuna COVID-19, AI permitió a Pfizer redactar el borrador reglamentario reports en 48 días, frente a los 100 días tradicionales. Este plazo acelerado permitió una entrada más rápida en el mercado y mejoró el acceso de los pacientes.

Retos de la ampliación de las innovaciones AI

El principal reto consiste en sentar unas bases sólidas en data , incluidos los marcos de gobernanza y cumplimiento. Aunque inicialmente se perciben como costosos y lentos, estos cimientos son fundamentales para la escalabilidad a largo plazo y para ofrecer casos de uso basados en AI de forma eficaz.

Conclusión

AI está revolucionando los ensayos clínicos al acortar los plazos, mejorar la eficiencia y potenciar los resultados en los pacientes. Sin embargo, el éxito depende de que se resuelvan los problemas de gobernanza de data y se fomente la colaboración en todo el ecosistema sanitario.