La IA transforma las decisiones biofarmacéuticas: un cambio de paradigma de los datos a los conocimientos.

Introducción

La inteligencia artificial está penetrando de forma irreversible en cada eslabón de la biofarmacéutica. Sin embargo, según la opinión de Henry Levy, presidente de Life Sciences & Healthcare de Clarivate, el verdadero cambio no radica en la mera adopción tecnológica, sino en una transformación fundamental del modelo de toma de decisiones. En una entrevista con Fierce Biotech, Levy enfatizó que los sistemas de decisión impulsados por IA deben basarse en datos estructurados y de alta calidad, combinados con un profundo conocimiento científico; de lo contrario, podrían amplificar los errores en lugar de generar información valiosa.

Contexto industrial

La industria biofarmacéutica lleva mucho tiempo enfrentando desafíos como la baja eficiencia en I+D y la alta tasa de fracaso en ensayos clínicos. La toma de decisiones tradicional dependía de la experiencia de expertos y de un análisis de datos limitado, con ciclos largos y susceptibles a sesgos. La intervención de la IA ha proporcionado a la industria una capacidad computacional sin precedentes: extraer patrones de vastas cantidades de literatura, datos genómicos y evidencia del mundo real, ampliando enormemente el número de fármacos candidatos evaluables. Según informes del sector, la IA puede acortar la fase de descubrimiento de fármacos entre un 30% y un 50%, pero solo si la calidad de los datos y los mecanismos de gobernanza son adecuados.

Desarrollos clave

Levy, de Clarivate, señala que la aplicación de la IA en la toma de decisiones biofarmacéuticas está pasando de la "optimización de procesos" al "apalancamiento estratégico". Esto se refleja en tres aspectos:

1. Selección de fármacos candidatos: Los modelos de IA pueden analizar millones de estructuras químicas en horas e identificar dianas potenciales, mientras que los métodos tradicionales requieren semanas. Sin embargo, esta capacidad también conlleva un "riesgo de ruido": el modelo puede recomendar candidatos que en realidad sean ineficaces o altamente tóxicos, lo que requiere verificación por parte de expertos.

2. Diseño de ensayos clínicos: La IA optimiza los criterios de inclusión/exclusión, predice la velocidad de reclutamiento de sujetos e incluso simula los resultados de los ensayos, mediante el análisis de datos históricos de ensayos, historias clínicas electrónicas de pacientes y evidencia del mundo real. Por ejemplo, varias CRO ya han adoptado la IA para ayudar a diseñar ensayos adaptativos, reduciendo la exposición innecesaria de sujetos.

3. Apoyo a decisiones de inversión: En fusiones y adquisiciones, licencias o evaluaciones de proyectos en etapa temprana, las plataformas de IA pueden integrar datos científicos, análisis de mercado e historial regulatorio para proporcionar recomendaciones probabilísticas. Pero Levy subraya que la decisión final debe conservar el juicio humano, ya que la IA no puede comprender las sutilezas comerciales ni las políticas regulatorias.

Impacto en el mercado

La IA está transformando la cadena de valor de la industria biofarmacéutica. Entre los beneficiados se incluyen:

• Grandes farmacéuticas: Empresas como Pfizer y Roche ya han implementado sistemas internos de apoyo a la decisión basados en IA, comprimiendo los ciclos de investigación temprana en varias semanas.
• Startups de IA: Empresas como Recursion Pharmaceuticals y Exscientia han atraído grandes inversiones gracias a sus plataformas de descubrimiento impulsadas por IA. En 2025, la financiación en el ámbito del descubrimiento de fármacos con IA superó los 4.000 millones de dólares.
• CRO y proveedores de datos: Compañías como IQVIA y Clarivate han lanzado servicios analíticos integrados con IA para ayudar a los clientes a optimizar sus carteras de I+D.Sin embargo, la industria también enfrenta una división: las empresas con infraestructura de datos y talento en IA acelerarán la innovación, mientras que aquellas que carecen de estas capacidades podrían quedarse atrás.

Desafíos y riesgos

Levy advierte que una dependencia excesiva de la IA sin prestar atención a la calidad de los datos y la comprensión de los mecanismos puede conducir a "basura entra, basura sale". Los principales desafíos incluyen:

• Silos de datos y accesibilidad: los datos heterogéneos de múltiples fuentes son difíciles de integrar y están limitados por las regulaciones de privacidad.
• Explicabilidad: los modelos de aprendizaje profundo a menudo se consideran "cajas negras", y los organismos reguladores aún se muestran cautelosos ante las decisiones impulsadas por la IA.
• Brecha de talento: escasez de talento compuesto que comprenda tanto la IA como la biofarmacéutica.
• Incertidumbre regulatoria: la FDA de EE. UU. y la EMA europea están desarrollando guías para el uso de IA/ML en el desarrollo de fármacos, pero aún no se ha formado un marco unificado.

Perspectivas futuras (3-5 años)

En los próximos 3 a 5 años, la IA evolucionará de una herramienta auxiliar a una infraestructura central en la toma de decisiones biofarmacéuticas. Las tendencias esperadas incluyen:

a) Normalización de la colaboración humano-máquina: las empresas establecerán un mecanismo de doble revisión de "expertos en IA + expertos en el dominio", donde la IA proporciona propuestas candidatas y los humanos asumen el juicio final. b) Prioridad a la gobernanza de datos: invertir en plataformas de datos estructurados e interoperables se convertirá en una prioridad empresarial. c) Claridad regulatoria progresiva: la FDA prevé publicar guías formales para el uso de IA en estudios preclínicos y clínicos antes de 2027, impulsando la estandarización de la industria. d) Flujo continuo de capital: los fondos de capital de riesgo se centrarán aún más en el ámbito vertical de IA + biofarmacéutica, especialmente en plataformas con capacidad de integración de datos del mundo real.

Conclusión

La transformación de la toma de decisiones biofarmacéuticas por parte de la IA es esencialmente una transferencia de poder del enfoque impulsado por la experiencia a la sinergia entre datos e inteligencia artificial. Las empresas deben mantener el rigor científico mientras persiguen la velocidad computacional. Como dice Levy, la ventaja competitiva final no proviene del algoritmo en sí, sino de la capacidad organizativa para combinar a la perfección los conocimientos de la IA con la experiencia humana. Esta tendencia influirá profundamente en la eficiencia de I+D, la asignación de capital y la dirección regulatoria en los próximos cinco años.