Desarrollar un nuevo medicamento puede prolongarse durante más de una década y, aun así, solo uno de cada diez compuestos consigue finalmente ser aprobado. Una de las dificultades que afronta la investigación clínica es la disponibilidad de datos suficientes: ensayos con pocos participantes, abandonos durante el estudio o muestras demasiado reducidas pueden dificultar la evaluación de un tratamiento. El problema es todavía mayor en las enfermedades raras, donde encontrar un número suficiente de pacientes puede resultar especialmente complicado.
Para abordar esta limitación, la Agencia Estatal de Investigación (AEI) financia con 179.530 euros el proyecto “Paciente sintético: desarrollo y validación de algoritmos para la generación de datos sintéticos en ensayos clínicos”. La iniciativa está coordinada por INARI Biotech y cuenta con la participación de la Universidad de Alcalá y la Universidad Rey Juan Carlos. Su objetivo es utilizar inteligencia artificial para generar datos artificiales que reproduzcan las características clínicas y estadísticas de pacientes reales, sin representar a ninguna persona concreta.
La idea no consiste en sustituir a las personas que participan en los ensayos, sino en complementar la información obtenida de ellas. Los algoritmos aprenden de los datos clínicos disponibles y generan nuevos perfiles que mantienen las características y relaciones estadísticas presentes en la muestra original. De esta forma, una investigación que parte de un número reducido de participantes podría disponer de un conjunto de datos sintéticos mucho mayor para realizar simulaciones y análisis.
Según explica Javier Martínez, director del proyecto en INARI Biotech, con los datos de los primeros 100 pacientes de un ensayo se podrían generar miles de pacientes sintéticos y simular diferentes evoluciones del estudio. La finalidad es disponer de información adicional que permita anticipar si un ensayo presenta probabilidades de éxito o si sería necesario replantearlo antes de haber dedicado años y grandes cantidades de recursos a una investigación con pocas posibilidades de llegar a buen puerto.
Esta capacidad podría resultar especialmente relevante teniendo en cuenta la elevada tasa de fracaso de los ensayos clínicos. El proyecto parte de que alrededor del 90% de los ensayos fracasan, por lo que disponer de herramientas capaces de proporcionar señales tempranas sobre la viabilidad de una investigación podría contribuir a reducir costes y acortar determinados procesos de desarrollo de medicamentos.
El reto: la fiabilidad de los datos artificiales
Generar datos sintéticos no consiste simplemente en crear perfiles de pacientes que parezcan realistas. El sistema tiene que reproducir las relaciones complejas existentes entre las distintas variables clínicas, mantener la coherencia estadística y evitar que los algoritmos introduzcan sesgos que puedan alterar las conclusiones del ensayo. Por ello, una parte fundamental del proyecto se centra precisamente en comprobar hasta qué punto los datos generados son equivalentes, desde el punto de vista estadístico, a los obtenidos de pacientes reales.
El algoritmo desarrollado por el equipo se encuentra actualmente en fase de validación. Los investigadores están utilizando un procedimiento de “indistinguibilidad” en el que especialistas en bioestadística analizan conjuntos de datos reales y sintéticos sin conocer previamente su procedencia. Si los expertos no consiguen distinguir unos de otros, los investigadores obtienen una evidencia de que el modelo está reproduciendo adecuadamente las características estadísticas de los datos originales.
Una posible herramienta para las enfermedades raras
El potencial de esta tecnología resulta especialmente interesante en enfermedades raras, donde el número de pacientes disponibles para participar en investigaciones suele ser limitado. La propia AEI ha destacado que desde 2018 ha financiado 149 proyectos relacionados con enfermedades raras, con una inversión acumulada de 39,45 millones de euros, destinados a mejorar el diagnóstico, comprender los mecanismos biológicos y desarrollar nuevas terapias.
En este contexto, disponer de herramientas capaces de ampliar virtualmente las muestras podría ayudar a los investigadores a extraer más información de los pacientes que sí pueden participar en un ensayo. No obstante, los pacientes sintéticos aportan información complementaria que ayude a orientar las investigaciones y evaluar su viabilidad, pero no sustituyen a los reales.
De la investigación al ensayo clínico real
El proyecto combina conocimientos de medicina, biología, bioestadística e ingeniería informática. Alfredo Cuesta Infante, de la Universidad Rey Juan Carlos, dirige científicamente el desarrollo de los algoritmos y la arquitectura computacional. María del Val Toledo Lobo, de la Universidad de Alcalá, participa en la selección de ensayos clínicos, la validación biomédica de los resultados y la interpretación científica de los datos.
El siguiente paso de la investigación será determinar cuántos datos reales son necesarios para generar pacientes sintéticos suficientemente fiables. A más largo plazo, el equipo plantea probar el sistema en ensayos clínicos reales, una etapa que permitiría comprobar su utilidad en condiciones prácticas y evaluar hasta qué punto puede contribuir a mejorar la planificación y el análisis de estos estudios.
Por ahora, las autoridades regulatorias todavía no aceptan los pacientes sintéticos como sustitutos para la aprobación de medicamentos. Tanto la Agencia Europea de Medicamentos (EMA) como la estadounidense FDA están empezando a reconocer su potencial, especialmente en ámbitos como las enfermedades raras, pero el proyecto mantiene el objetivo de complementar, y no reemplazar, los ensayos clínicos tradicionales.
El proyecto financiado por la AEI representa así una aplicación concreta de la inteligencia artificial al desarrollo biomédico al utilizar datos sintéticos para obtener más información a partir de muestras limitadas y tratar de identificar antes los ensayos con mayores posibilidades de éxito. Si la tecnología supera la fase de validación y demuestra su utilidad en estudios reales, podría convertirse en una herramienta adicional para reducir tiempos y costes en el desarrollo de nuevos tratamientos. Sería de especial ayuda allí donde conseguir suficientes pacientes constituye uno de los principales obstáculos para investigar.
