Ejecutivo farmacéutico: ¿Cómo se destacarán las empresas de ciencias biológicas de IA en la próxima conferencia de atención médica de JP Morgan?
Ángela Schwab: Hay algunas formas diferentes. En 2025, hemos visto mucho revuelo sobre la IA, con afirmaciones de que la IA se utilizará para todo y que resolverá todos nuestros problemas. Ha llegado la desilusión, y para obtener lo que realmente queremos de la IA, es necesario tener muchas sugerencias y conversaciones de ida y vuelta. Aun así, sigue siendo una ilusión.
Las empresas que se destacan tienen un conocimiento profundo del dominio y están construyendo procesos de IA paso a paso. Dondequiera que estén, ya sea en un entorno de ensayos clínicos o de ciencias biológicas, tienen el conocimiento profundo y de dominio para separar todas las piezas de información y construirla de una manera estructurada que haga que los equipos sean verdaderamente exitosos.
PE: ¿Cómo apoya la IA el diseño de ensayos clínicos?
Schwab: Tenemos una nueva era en el diseño de ensayos clínicos. Hasta 2024, lo haremos manualmente tomando un protocolo que otra persona escribió y diciendo que probablemente sea demasiado bueno.
Copiamos, pegamos y juntamos cosas. Los fracasos vienen con ello. Los ensayos clínicos tienen una tasa de fracaso increíblemente alta, como no cumplir con los criterios de valoración, excederse enormemente en los plazos y no involucrar a los pacientes.
Amenaza la integridad de la ciencia y los negocios.
Esos fallos eran inherentes al antiguo proceso manual. Ahora, tenemos la oportunidad de que la IA extraiga enormes conjuntos de datos y descubra qué criterios de valoración u otras pruebas se han realizado en otros ensayos clínicos de su dominio. Puede proporcionar esa calidad predictiva en protocolos y planes para que pueda comenzar a comprender las cosas que impactarán positiva o negativamente el desarrollo de un ensayo clínico.
PE: ¿Puede la IA ayudar a resolver las altas tasas de fracaso en los ensayos clínicos?
Schwab: Hay muchas formas en que los ensayos clínicos pueden fracasar. Quizás lleva demasiado tiempo encontrar pacientes, las cosas se sobrecargan, los sitios desaparecen porque las cosas son demasiado complicadas para ellos. Las formas de reducir la tasa de fracaso incluyen pensar en las decisiones al crear el protocolo y pensar más en los pacientes, los sitios, los datos recopilados y si hay maneras de hacerlo mejor.
Esto implica el uso de elementos descentralizados que faciliten la facilidad entre pacientes y sitios. ¿Es posible reducir la carga de datos? Estamos recopilando datos y la mayoría de ellos no respaldan puntos finales ni objetivos. Al diseñar puntos finales y protocolos, hay muchas ocasiones en las que no es necesario que sea demasiado complejo o que tenga demasiados puntos finales.
PE: ¿Cómo pueden los equipos reducir la carga de los pacientes sin socavar su ciencia?
Schwab: El primero es un diseño experimental directo. Nunca debemos someter a los pacientes a pruebas, visitas o cuestionarios que no respalden directamente los objetivos del ensayo.
Por ejemplo, estaba trabajando con un equipo clínico que quería administrar ocho cuestionarios psicológicos a sus pacientes. Son aproximadamente dos horas de cuestionarios para los pacientes. El equipo dijo que no se preocuparan, ya que de todos modos los pacientes estarían sentados en la sala de espera.
¿Por qué están dos horas en la sala de espera? ¿Crees que las evaluaciones al final de los cuestionarios de dos horas son válidas? Probablemente se enojarán y empezarán a escribir una A en cada respuesta.
Necesitamos ponernos en el lugar de los pacientes y pensar en ese camino. Cómo es, hasta dónde tienen que conducir, podemos descentralizarnos, alguien puede ir a su casa, puede hacer un cuestionario online, etc.
Vale la pena hacer un ensayo y que los inspectores vayan al sitio, vean cómo es el camino y cómo es el estacionamiento. A veces pensamos en proyectos deficientes que pueden costarle a los pacientes y a los sitios de prueba. Necesitamos asegurarnos de reembolsarles adecuadamente por su tiempo y todo lo que dedican.
PE: ¿Cómo se ven afectados los sitios por una planificación y un diseño de prueba deficientes?
Schwab: Los sitios realmente son los más afectados por todo esto. Trabajé en el sitio durante unos 14 años; Supervisé la determinación de qué experimentos realizar. Muchas de esas decisiones no se basan en la ciencia, sino en el impacto operativo del experimento.
Tomamos decisiones en función de factores como cuántos coordinadores necesitamos, qué tan intensivas son las visitas de los pacientes y qué tan intensivas están afectando las pruebas a los diferentes departamentos. Un ensayo requiere 30 resonancias magnéticas en un mes, lo que puede afectar negativamente a múltiples disciplinas.
Necesitamos pensar en estos proyectos paso a paso y no asumir que los sitios piloto pueden manejar toda la carga de cualquier experimento. Quizás digan que sí pero luego se vayan debido a la carga. Si tienes un ensayo clínico y los sitios están entusiasmados y de repente aparecen grillos, probablemente haya una razón detrás de esto.
PE: ¿Cómo pueden los inversores identificar empresas prometedoras de IA además de los envoltorios habituales de chatGPT?
Schwab: Hay algunos factores críticos que los inversores deben buscar. Debería haber una inteligencia integrada que afirme no parecerse a ChatGPT sino solo para un contenido específico. Si es sólo para crear un documento o PowerPoint, probablemente sea un sobre.
La inteligencia y la infraestructura integradas reemplazan la plataforma real que utiliza IA para crear contenido específico de una manera específica. Guía a los usuarios a través del proceso de creación del documento correcto.
ChatGPT puede redactar un protocolo para un tipo específico de estudio de investigación. Pero con nuestra plataforma, funciona todo paso a paso. Repasa objetivos, hipótesis, criterios de valoración y procedimientos. Todas esas cosas están vinculadas entre sí y respaldadas por datos que extraen la IA y ayudan en el proceso de toma de decisiones.
