Introducción a la salud digital en los ensayos clínicos

La Inteligencia Artificial se define como cualquier técnica que permita a las máquinas "pensar como humanos". Mediante el uso de esta técnica, es posible mejorar la eficiencia de varios procesos de toma de decisiones, así como impulsar aún más la innovación dentro de una organización. Permiten a las empresas desbloquear un nuevo valor en los datos.

El aprendizaje automático es un subcampo de la inteligencia artificial. En general, el aprendizaje automático se refiere a las tecnologías y algoritmos que permiten a los sistemas tomar decisiones, reconocer patrones y mejorarse a sí mismos a través de la experiencia y los datos.

Y el último término es Blockchain, blockchain es un sistema para realizar un seguimiento de los datos y todos los cambios, por lo tanto, crea una única fuente de verdad. Y precisamente esto es muy importante en los ensayos clínicos, si se cambian los datos o no se sabe con certeza a qué conjunto de datos pertenece el punto de datos, se pueden perder todos los datos. Otro aspecto de la cadena de bloques es la criptografía, que protege la privacidad del paciente.

El primer paso en el desarrollo de fármacos es plantear la hipótesis de la causa de la enfermedad. Este paso se realiza a menudo en el mundo académico y cuesta miles de millones de dólares. Además, la mayoría de las hipótesis resultan ser falsas. Para reducir el tiempo y el costo, la IA se puede utilizar para generar hipótesis que tengan más probabilidades de ser ciertas.

Un ejemplo de plataforma basada en IA que genera hipótesis es "Pandaomics". La plataforma se entrena en enormes bases de datos públicas. La ventaja de esta plataforma es que los datos ya han sido procesados y cargados de manera uniforme, incluidas las representaciones gráficas, por lo que todo lo que queda por hacer es la interpretación de los datos.

Debido al increíble costo de los ensayos clínicos, se dedica mucho tiempo y esfuerzo a los estudios preclínicos para seleccionar las combinaciones candidatas de fármacos/dianas más prometedoras. 

Mediante el uso de IA/ML, se pueden utilizar grandes cantidades de datos de investigación existentes junto con modelos predictivos para aumentar la eficiencia de la búsqueda de valiosas combinaciones de fármacos/dianas.
Si el fármaco reacciona in vivo de forma diferente a lo esperado, la IA/ML permite procesar grandes cantidades de datos para comprender mejor el mecanismo del fármaco. Este análisis ayudará a seleccionar las moléculas candidatas que más se beneficiarán del nuevo fármaco.

Un ejemplo de una plataforma de aprendizaje automático automatizado para el diseño de fármacos es Chemistry 42. Esta plataforma predice la interacción de las moléculas. La plataforma genera nuevas estructuras moleculares con propiedades predefinidas, que luego se validan mediante estudios in vitro e in vivo.

No solo el proceso de selección de las moléculas apropiadas, sino también el protocolo de estudio podrían optimizarse utilizando ML. Conceptualmente, las simulaciones de estudio generadas por modelos predictivos podrían usarse para optimizar los regímenes de tratamiento, predecir trampas y barreras por adelantado, etc.

La gestión de los participantes en los ensayos clínicos incluye la selección de las poblaciones de pacientes objetivo, el reclutamiento de pacientes y la retención de los participantes. En la actualidad, el número de ensayos que alcanzan la aprobación final es decepcionantemente bajo. El aprendizaje automático y la cadena de bloques pueden facilitar una gestión más eficiente de los participantes en los ensayos clínicos.

El ML se puede utilizar en un gran conjunto de datos de pacientes para identificar patrones en las características del paciente que se pueden utilizar para la selección. De este modo, se reduce la población objetivo y se seleccionan los pacientes que tienen más probabilidades de beneficiarse del fármaco propuesto.

Sin embargo, también hay trampas, al utilizar el ML para la selección de pacientes, se tiene la posibilidad de no crear datos negativos para un grupo de pacientes que no se beneficiarían del fármaco y también se podría pasar por alto a un grupo de pacientes que se habrían beneficiado. Estos escollos podrían afectar la aprobación regulatoria y la comercialización.

Como se ha mencionado, el ML se puede utilizar para mejorar la retención de participantes:

• En primer lugar, mediante la recopilación y el análisis de cantidades significativas de datos para identificar a los pacientes con alto riesgo de incumplimiento relacionado con el estudio
• y, en segundo lugar, reducir la carga para el participante y, por lo tanto, mejorar la experiencia del participante.
  
  

Un ejemplo de un sistema de gestión de ensayos clínicos basado en blockchain es Bloqcube. El CEO ha trabajado en la industria clínica durante muchos años y su sueño es utilizar tecnología innovadora para resolver los problemas en el espacio de los ensayos clínicos llevando los ensayos a los pacientes en lugar de llevar a los pacientes a los ensayos. Con la plataforma, la compañía pretende acelerar la descentralización de los ensayos clínicos y mantener la integridad y la seguridad de los datos. La plataforma también aborda la situación financiera subóptima en la que a menudo se encuentran los ensayos clínicos mediante la integración de un módulo financiero en su plataforma.

El big data y el análisis de datos están impulsando cambios significativos en todas las industrias. Para la investigación clínica, las oportunidades van desde el reclutamiento y la participación de los pacientes, como se ha mencionado, hasta ensayos más eficientes y de mejor calidad.

Pero, ¿cómo obtenemos estos datos?

Los dispositivos móviles se pueden utilizar para recopilar datos del paciente. Pero estos datos a menudo tienen una calidad, disponibilidad y sincronicidad variables. Afortunadamente, el procesamiento de ML se puede utilizar para obtener información. Las técnicas para procesar estos datos deben ser especializadas. Es importante recordar que el software para el diagnóstico, el monitoreo o el tratamiento de afecciones médicas también debe seguir las regulaciones de la FDA.

Para reducir el tiempo, el costo y los posibles errores en la extracción de datos, el ML se puede utilizar, por ejemplo, para automatizar la recopilación de datos y la transformación en informes de casos, así como un sistema de monitoreo para detectar defectos del sitio, fraude, inconsistencias de datos o incompletitud de los datos. 

Aunque todavía es difícil garantizar la calidad de los datos generados y recopilados con ML, el ML para el procesamiento y análisis de datos tiene muchas aplicaciones, por ejemplo, para la generación de hipótesis. Es importante recordar que la disponibilidad de datos cualitativos e imparciales sigue siendo vital para las aplicaciones de ML.

Un ejemplo de una asociación que invierte capacidades de blockchain en la industria clínica, entre otras, es la Pharma Ledger Association. La Pharma Ledger Association está trabajando en una plataforma blockchain escalable con varios productos. El primer producto que lanzaron fue la ePI, electronic Product Information, una aplicación que proporciona la información más reciente de los productos aprobados para todos los fabricantes. Las ventajas del ePI son que la legibilidad está garantizada, así como la información actualizada, y no hay ningún coste por el uso único de los prospectos en papel. La gran ventaja de blockchain es que garantiza transacciones confiables y contenido seguro, y también permite la interoperabilidad La gran ventaja de blockchain es que garantiza transacciones confiables y contenido seguro, y también permite la interoperabilidad con otros servicios y sistemas digitales. La Pharma Ledger Association sigue trabajando en productos adicionales, dos de los cuales son de interés para los ensayos clínicos. El primero es un e-Recruitment para ensayos clínicos en el que quieren hacer un emparejamiento anónimo de los pacientes con los criterios de inclusión y exclusión de los ensayos clínicos. Un segundo producto es eConsistent para ensayos clínicos, que es un formulario de consentimiento informado auditable, controlado por versiones, en tiempo real e inmutable.

Otro ejemplo es Medidata, una de las cosas que hacen es utilizar la inteligencia artificial para buscar en su base de datos y encontrar pacientes que sirvieron como controles en ensayos anteriores de tratamientos, y reutilizar estos datos para un nuevo ensayo clínico donde estos pacientes sirven como grupo de control externo.

Hay dos barreras filosóficas. El primero es la explicabilidad y el segundo es la fiabilidad.

Los usuarios quieren comprender el proceso que genera la salida. Quieren entender por qué y cómo funciona, lo que a menudo es difícil de entender. Existe el temor de que los algoritmos introduzcan un "sesgo" en la salida del modelo.

Las barreras operativas incluyen encontrar el equipo adecuado y la selección y disponibilidad de datos para el algoritmo. Para crear un algoritmo, es importante contar con un equipo que incluya expertos en el dominio clínico y de ML. 

De lo contrario, se puede crear un algoritmo que no se pueda utilizar para el propósito previsto, o se puede utilizar una técnica de ML inadecuada, o el modelo puede entrar en conflicto con la realidad clínica.

Se necesitan dos conjuntos de datos grandes e independientes para crear un modelo, uno para entrenar el modelo y otro para validarlo. Encontrar estos conjuntos de datos es difícil, ya que los propietarios son reacios a compartir sus datos debido al alto costo de generar los datos.