← Volver al inicio

La IA entra en el desarrollo de radiofármacos, y el próximo umbral para la terapia oncológica de precisión son los datos

Los radiofármacos llevan la radiación hasta las células tumorales, mientras que se espera que la IA acorte la distancia en el diseño de fármacos candidatos y la estimación de dosis personalizadas; pero antes de una verdadera ampliación clínica, los datos estandarizados, la validación y la regulación siguen siendo puntos críticos.

By SURL BioNews

El atractivo de la terapia con radiofármacos radica en que, a diferencia de la radioterapia externa tradicional, no proyecta energía desde fuera del cuerpo, sino que permite que moléculas radiactivas entren en el organismo, busquen células cancerosas específicas y liberen localmente radiación capaz de dañar el ADN. Esta idea de “llevar la potencia de fuego cerca del objetivo” se está encontrando con otra corriente tecnológica: usar aprendizaje automático para acelerar la búsqueda de dianas, diseñar moléculas y calcular dosis de radiación más ajustadas para distintos pacientes.

El 9 de julio, el Journal of Medical Internet Research publicó un artículo de News and Perspectives escrito por la corresponsal de JMIR Benedette Cuffari, cuyos puntos principales fueron retomados por Medical Xpress el 11 de julio. No se trata de nuevos resultados de un ensayo clínico, sino de una revisión del cruce entre radiofármacos e IA: el aprendizaje profundo, los modelos generativos y el análisis de imágenes médicas se están utilizando para explorar fármacos candidatos, predecir su distribución en el organismo y mejorar la llamada dosimetría, es decir, la estimación de cuánta radiación absorben realmente los tumores y los tejidos normales.

En el ámbito de I+D, el papel concreto de la IA no es “inventar nuevos fármacos” de forma abstracta, sino ayudar a reducir el espacio de búsqueda. Los modelos de aprendizaje profundo pueden utilizarse para predecir cómo las modificaciones químicas afectan el comportamiento de un fármaco en el cuerpo humano; las herramientas de predicción de estructuras proteicas pueden ayudar a evaluar la interacción entre moléculas candidatas y proteínas o material genético. También se han propuesto modelos generativos para el diseño virtual y el cribado de grandes cantidades de estructuras moleculares, con el objetivo de encontrar candidatos que se dirijan mejor a los tumores y permanezcan estables durante la desintegración radiactiva.

Sofia Michopoulou, experta en física de medicina nuclear del Hospital Universitario de Southampton, señaló en el artículo que las simulaciones computacionales impulsadas por IA podrían permitir a los investigadores identificar antes los fármacos candidatos prometedores y concentrar mejor las evaluaciones tempranas. Esta afirmación refleja una expectativa sobre el proceso de desarrollo: si los modelos son fiables, algunos candidatos con pocas probabilidades de éxito podrían descartarse antes de entrar en etapas costosas de síntesis, estudios en animales o estudios tempranos en humanos; pero el artículo tampoco equipara esta aceleración con una mejora demostrada de la supervivencia ni con la sustitución de la validación tradicional.

Otro foco en el ámbito clínico es la dosis personalizada. La terapia actual con radiofármacos suele usar modelos anatómicos promedio o a nivel de órgano para estimar la absorción de radiación, lo que dificulta reflejar por completo detalles como el tamaño de los órganos del paciente, la captación tumoral heterogénea o las diferencias en el metabolismo del fármaco. Modelos como las redes neuronales convolucionales 3D pueden analizar imágenes médicas, como PET, para predecir la distribución de los radiofármacos en los tejidos; las herramientas de reducción de ruido de imagen, superresolución y segmentación tumoral también podrían permitir a los médicos delinear con mayor precisión los bordes del tumor y el riesgo para órganos críticos.

Más imaginativo aún es el “gemelo digital”: integrar imágenes moleculares, anatomía del paciente y modelos de tratamiento para simular, antes de la administración, cómo actuarían distintas dosis en un paciente específico. Michopoulou considera que la combinación de diagnóstico y tratamiento personalizados con gemelos digitales es uno de los cruces más prometedores entre la IA y la medicina nuclear. Sin embargo, una vez que este tipo de herramientas influye en las decisiones terapéuticas, lo necesario no son solo imágenes atractivas o buen desempeño retrospectivo, sino validación capaz de funcionar de manera estable entre hospitales, equipos y poblaciones.

Por eso, las limitaciones también son especialmente claras. El artículo de JMIR señala que siguen faltando datos de alta calidad, estandarizados y suficientes para entrenar modelos, y que la propiedad de los datos, la privacidad de los pacientes y la capacidad de generalización de los modelos también limitarán la adopción clínica. El aprendizaje federado puede permitir que distintos hospitales entrenen conjuntamente modelos sin intercambiar directamente datos de pacientes, lo que podría aliviar parte de los problemas de privacidad; pero si las definiciones de los datos de base no son uniformes o los flujos de trabajo de imagen difieren demasiado, los modelos aún podrían perder precisión al salir de su entorno original de entrenamiento.

Por lo tanto, el verdadero valor de la IA para los radiofármacos quizá no sea, en el corto plazo, crear una línea de producción totalmente automatizada de fármacos contra el cáncer, sino volver más cuantificables los pasos del desarrollo y del tratamiento que consumen más tiempo y dependen más de la imagen y de la estimación de dosis. Que pueda pasar de herramienta de investigación a práctica clínica rutinaria dependerá de los estándares de datos, la validación prospectiva, la revisión regulatoria y de si los médicos pueden comprender claramente los límites de fiabilidad del modelo detrás de cada recomendación de administración.

References

  1. Medical Xpress
  2. Journal of Medical Internet Research