IA generativa en la industria farmacéutica

Las empresas farmacéuticas han estado a la vanguardia de la IA durante mucho tiempo, incluso antes del reciente auge de la IA generativa. Modelos como AlphaFold2 y ESMFold, por ejemplo, han sido pioneros en el empleo del aprendizaje profundo para ayudar a predecir las estructuras de casi todas las proteínas conocidas, lo que ha transformado nuestra comprensión de las enfermedades subyacentes.

Sin embargo, la IA generativa promete tener un impacto mayor. Un proceso de descubrimiento de medicamentos acelerado ayudará a curar más enfermedades y más rápidamente, liberando recursos que podrían aplicarse a áreas actualmente desatendidas. La capacidad de generar conocimiento y patrones a partir de grandes cantidades de datos impulsará tratamientos más personalizados y mejores resultados para los pacientes.

Las herramientas de IA generativa también permiten que la atención sea más consistente, pues reducen las desviaciones en la fabricación y entrega de medicamentos. Finalmente, con su capacidad de automatizar tareas tediosas y que consumen mucho tiempo, como la creación de documentos y el mantenimiento de registros, la IA generativa aumentará la productividad de los investigadores y enlaces médicos para que puedan servir mejor a médicos y pacientes.

Arquitectura de datos

Sin embargo, aprovechar el enorme potencial de esta poderosa nueva tecnología no es fácil y exigirá que los ejecutivos se enfrenten a decisiones estratégicas complicadas y desafíos operativos.

Por ejemplo, la IA generativa no puede ofrecer resultados a menos que exista una arquitectura de datos adecuada. Es necesario contar con una capa de inteligencia que pueda comprender cuestiones como las estructuras moleculares, las operaciones clínicas y los datos de los pacientes. Es necesario un enfoque múltiple para crear una infraestructura que pueda unificar conjuntos de datos internos y externos.

Es necesario integrar la IA generativa en flujos de trabajo complejos y promover su adopción

Esto es más que una cuestión técnica: los científicos de datos deben colaborar estrechamente con líderes en estrategia empresarial, asuntos médicos, legales y de riesgo para establecer prioridades y ejecutar estrategias.

Además, a pesar de que muchos piensan que seleccionar el modelo de lenguaje (LLM, large language model) adecuado es un diferenciador clave, nada más lejos de la realidad. Los modelos de IA generativa representan solo el 15% del esfuerzo de un proyecto típico. La mayor parte del trabajo consiste en adaptar los modelos a la base de conocimientos interna de una empresa y a sus casos de uso. Esto es particularmente importante en la industria farmacéutica, dada la complejidad de sus datos y la singularidad de su normativa y tecnología.

Para tener éxito con la IA generativa, las empresas deben integrarla en flujos de trabajo complejos, y promover la adopción y el impacto, una realidad que destaca la necesidad de una gestión eficaz del cambio. Entre un 70% y un 80% de las transformaciones suelen fracasar debido a que los líderes menosprecian el impacto del cambio.

Casos de uso

También hay que evitar el error de correr demasiado. Es recomendable adoptar una estrategia progresiva, identificando dos o tres casos de uso que requieran una interrupción mínima del negocio y con los que se pueda generar un impacto rápido y capaz de generar entusiasmo en toda la organización. Junto a estos, habrá que seleccionar otros dos o tres casos de mayor calado, con una capacidad de transformación más profunda y que supongan un objetivo a más largo plazo.

Estos son algunos ejemplos de casos de uso:

• Investigación. La IA generativa está revolucionando la extracción de información y el resumen de documentos complejos, como patentes, publicaciones científicas y datos de ensayos. Gracias a ella es posible analizar datos no estructurados, como texto e imágenes; además, los científicos pueden interactuar con el modelo a través de un sencillo mecanismo de preguntas y respuestas, lo que acelera el proceso de investigación en hasta un 40%.
• Ensayos clínicos. El desarrollo clínico es un proceso caracterizado por largos plazos de ensayos y requisitos regulatorios rigurosos. Hasta ahora, se necesitaban, en promedio, doce años y más de 2400 millones de euros de inversión para llevar un medicamento al mercado, y alrededor del 80% de este coste estaba asociado con el desarrollo clínico. La IA generativa es un poderoso compañero del equipo de estudio, que puede compartir ideas y sugerir intervenciones efectivas para mejorar los resultados. Varias farmacéuticas ya han creado plataformas que respaldan la toma de decisiones operativas, proporcionando una fuente única de información para acelerar estos ensayos.
• Información médico-científica. Los profesionales de enlace con las ciencias médicas pasan horas interactuando con los médicos, una relación de la que nacen múltiples oportunidades de aprendizaje cruciales para la industria farmacéutica. La IA generativa ayuda a sintetizar y analizar estos conocimientos, además de a resumir y aclarar miles de discusiones cada año; lo hace, por ejemplo, identificando temas comunes planteados por los médicos en decenas de miles de conversaciones. Estos conocimientos, puestos a disposición de las áreas de desarrollo, ayudarán a que las terapias cumplan con las necesidades de pacientes y proveedores de manera más efectiva.
• Relaciones comerciales. Los especialistas en marketing, ventas y otros miembros del equipo de atención al cliente tienen a su disposición una cantidad de información sin precedentes. Lo que a menudo les falta es una forma eficaz de sintetizarla en el momento adecuado. La IA generativa permite capturar, resumir y sintetizar bajo demanda datos no estructurados (como texto e imágenes) e información estructurada, con el resultado de campañas más efectivas y conversaciones más enriquecedoras y específicas entre los diferentes stakeholders.
• Operaciones. La IA, con su capacidad de crear contenidos, dota a los equipos de la habilidad de desarrollar representaciones de datos complejas (en formatos de texto, visuales, de audio y otros) adaptadas a contextos específicos. Por otra parte, la interacción con el usuario, que con la IA se establece como una conversación en lenguaje natural, se torna más eficiente y satisfactoria. En el ámbito de la fabricación de medicamentos, la IA localiza procedimientos operativos estándar relevantes, genera automáticamente listas de verificación y guías para operaciones repetitivas; además, ayuda a los supervisores a monitorizar y gestionar el rendimiento de la línea de fabricación en tiempo real.

Conclusión

Como muestran los ejemplos, muchas empresas farmacéuticas ya se han embarcado en la adopción de la IA generativa en sus procesos de negocio. Sin embargo, es importante recordar que la tecnología por sí sola no garantiza el éxito.

Las empresas no desbloquearán todo el potencial de la IA generativa hasta que comprendan cómo utilizarla correctamente. Eso requerirá tiempo, paciencia, inversión y mucho pensamiento estratégico. No existen atajos. Sin embargo, pese al esfuerzo que exigirá, resulta evidente que el impacto de esta nueva tecnología en el sector farmacéutico es de tal calibre que aquellas compañías que no la adopten quedarán rezagadas (quizá sin remedio) dentro de la industria.