El foco de la IA en los ensayos clínicos pasa de encontrar fármacos a encontrar personas y construir confianza

A medida que la conversación sobre la IA en biomedicina se desplaza gradualmente de “si puede diseñar nuevas moléculas” a “si puede hacer que los ensayos clínicos sean más viables”, las preguntas también se acercan más a los pacientes. Un ensayo clínico no es simplemente ingeniería de datos, sino un sistema de alto riesgo tejido conjuntamente por médicos, participantes, revisión ética, requisitos regulatorios y decisiones de las farmacéuticas; cualquier algoritmo que quiera entrar en ese sistema debe enfrentar el examen de la evidencia, la transparencia y la confianza.

El ACT Brief publicado por Applied Clinical Trials Online el 9 de julio pone en paralelo tres temas: arquitecturas de sistemas de IA multimodal, reclutamiento de ensayos basado en la confianza y transformación de la IA en las grandes compañías farmacéuticas. Dado que el resumen público no ofrece detalles técnicos completos, nombres de empresas ni datos clínicos específicos, el mensaje se parece más a una señal para la industria: el papel de la IA en el desarrollo clínico está pasando de ser una herramienta puntual a convertirse en infraestructura de proceso.

La llamada IA multimodal, en el contexto de los ensayos clínicos, normalmente implica que el sistema no solo lee tablas estructuradas, sino que también podría integrar texto de historias clínicas, imágenes, valores de laboratorio, documentos del ensayo y resultados reportados por los participantes. Si este tipo de arquitectura funciona correctamente, podría ayudar a seleccionar pacientes elegibles, detectar anomalías en los datos, organizar documentos del ensayo o permitir que los equipos de investigación capten más rápido señales de seguridad; pero también amplificará al mismo tiempo las diferencias entre fuentes de datos, la acumulación de sesgos y los problemas de interpretabilidad del modelo.

El reclutamiento de participantes es, en particular, uno de los escenarios en los que más expectativas se depositan en la IA y también uno de los más propensos a cruzar límites. Los ensayos clínicos llevan mucho tiempo enfrentando dificultades como reclutamiento insuficiente, criterios complejos y falta de representatividad de las poblaciones. La IA puede utilizarse para comparar criterios de inclusión y exclusión, ayudar a identificar candidatos potenciales e incluso mejorar la comunicación de la información del ensayo. Sin embargo, si los pacientes no saben cómo se utilizan sus datos, o si el modelo excluye sistemáticamente a determinados grupos, la eficiencia podría lograrse a costa de la confianza.

Por eso, el “reclutamiento basado en la confianza” no es una frase de relaciones públicas, sino un conjunto de requisitos concretos: el uso de datos necesita consentimiento claro y mecanismos de gobernanza; las recomendaciones de selección deben poder ser revisadas por investigadores; los mensajes de reclutamiento no deben inducir a error a los pacientes sobre las expectativas de eficacia; y el desempeño del sistema también debería evaluarse en distintas enfermedades, regiones y poblaciones. Para los reguladores y los comités de ética, la cuestión no es solo si la IA aumenta la velocidad de reclutamiento, sino si cambia quién puede ver el ensayo, quién es invitado a participar y quién queda excluido.

La transformación de la IA en las grandes farmacéuticas representa otra capa de presión. La IA generativa y el aprendizaje automático ya se han introducido en la revisión de literatura, la evaluación de dianas, el diseño de ensayos, la redacción médica y la gestión operativa, pero el núcleo del desarrollo clínico sigue siendo la evidencia reproducible, auditable y aceptable para los reguladores. Si la IA se queda únicamente en mejorar la eficiencia interna, su impacto será limitado; si empieza a influir en el diseño de ensayos, la estratificación de pacientes o la vigilancia de seguridad, las empresas deberán establecer sistemas más estrictos de validación, asignación de responsabilidades y revisión humana.

**Contexto**

El debate reciente sobre la IA biomédica ya no gira solamente en torno al imaginario de la “IA para encontrar fármacos”. Que una molécula candidata pueda llegar a la aprobación sigue dependiendo de si los ensayos en humanos pueden demostrar eficacia y seguridad; y la velocidad, la calidad y la equidad de los propios ensayos clínicos se están convirtiendo en el siguiente campo de prueba, más difícil, para la IA. Aunque los términos clave planteados por el ACT Brief aparecen en un resumen limitado, apuntan juntos a una misma cuestión: si la IA biomédica quiere pasar de demostrar capacidades a cambiar la investigación y el desarrollo médicos, primero debe aprender a aceptar restricciones en el entorno clínico.