¿Tu propio "gemelo digital"? La última tecnología que cambiará las pruebas de detección de drogas (Gemelo Digital)

¿Te has preguntado alguna vez cuánto tiempo tardó en llegar a tus manos la pastilla que tomaste esta mañana? Primero, realizan una extensa investigación en laboratorios. Luego, la prueban en animales. Pero antes de que se apruebe su uso en humanos, deben probarla en personas. A esto lo llamamos ensayo clínico. Es un proceso muy complejo y costoso.

En pocas palabras, ¿qué es un ensayo clínico?

En términos sencillos, un ensayo clínico funciona así: los investigadores reclutan pacientes con la enfermedad para la que se desarrolla el nuevo fármaco. Estos voluntarios se dividen aleatoriamente en dos grupos.

1. Al primer grupo se le administra el nuevo fármaco para su prueba.

2. Al segundo grupo , el "Grupo de Control", se le administra un placebo que no contiene ningún ingrediente activo y tiene el mismo aspecto que el medicamento. A esto lo llamamos "Placebo".

Si, al finalizar este ensayo, los síntomas de quienes tomaron el nuevo fármaco han mejorado más que los de quienes tomaron el placebo, esto demuestra que el nuevo fármaco es eficaz.

Uno de los mayores desafíos en este tipo de ensayos es encontrar suficientes pacientes que se ajusten perfectamente al perfil del estudio. A veces, ni siquiera los médicos saben qué ensayos son los más adecuados para sus pacientes. Además, las características de los pacientes que desean participar pueden no coincidir con los requisitos del ensayo. Sin embargo, la inteligencia artificial (IA) podría facilitar enormemente esta tarea.

Conozca a su "Gemelo Digital".

Imagina que tienes tu propio modelo informático, es decir, una copia digital de ti mismo. Esto es lo que se conoce como «gemelo digital». Se trata simplemente de «modelos informáticos» que simulan un objeto o sistema del mundo real en un ordenador. Pero, vistos numéricamente, se comportan exactamente igual que el original. El mejor ejemplo es cuando explotó un tanque de oxígeno en la nave espacial Apolo 13; la NASA ayudó a repararlo con un «gemelo digital» de la misma nave, construido en la Tierra.

Ahora, los científicos pueden crear un «gemelo digital» de un ser humano, con suficientes datos. Esto se logra mediante una tecnología de inteligencia artificial llamada «aprendizaje automático». En pocas palabras, consiste en proporcionar a un programa informático una gran cantidad de datos y permitirle aprender de ellos.

Los gemelos digitales de los pacientes se crean entrenando estos modelos de aprendizaje automático con datos de ensayos clínicos previos y el historial médico personal de cada paciente. El modelo puede predecir cómo evolucionará la salud del paciente durante el ensayo si se le administra un placebo.Es decir, se crea un grupo de control generado por computadora (Grupo de Control Simulado) para ese mismo paciente.

Veamos ahora cómo funciona. Supongamos que una persona llamada Samadhi es seleccionada para formar parte del grupo que recibe un nuevo fármaco. Su "gemelo digital", un modelo informático, está en el grupo de control. El modelo predice qué ocurriría si a Samadhi se le administrara un "placebo" en lugar del fármaco real. En definitiva, la diferencia entre la respuesta real de Samadhi al fármaco y la predicción del modelo es un indicador de la eficacia del fármaco en Samadhi.

Analicemos esta tabla para apreciar claramente las ventajas de utilizar "gemelos digitales" en lugar de los equipos de control tradicionales.

Aunque esta tecnología es buena, ¿no tiene problemas?

Aunque esta tecnología promete mucho para el futuro, aún no se ha generalizado su uso. Esto puede deberse a varias razones. Como señala el Dr. Daniel Neal, experto en aprendizaje automático, estos modelos requieren grandes cantidades de datos. Además, es muy difícil obtener datos de alta calidad de individuos.

Otro problema son los efectos secundarios raros e inesperados que puede causar un medicamento. Estos a menudo no están contemplados en el modelo diseñado para el grupo de control.

Pero el mayor temor del Dr. Neal es que este modelo predictivo se base en la rutina habitual. Imaginemos un evento inesperado y de gran magnitud como la pandemia de COVID-19, que altera el comportamiento de todos y provoca enfermedades. «Los modelos de control no tienen esto en cuenta», afirma. Entonces, debido a estos eventos que el grupo de control no consideró, los resultados finales del experimento podrían ser completamente diferentes.

¿Realmente se puede utilizar? ¿Qué nos depara el futuro?

Eric Topol, experto en el uso de la tecnología digital en la atención médica, considera que la idea es excelente, pero aún no es el momento adecuado. "No creo que los ensayos clínicos cambien en un futuro cercano, ya que requieren múltiples capas de datos, más allá de los historiales médicos, como secuencias genómicas, microbioma intestinal y datos ambientales".

Según Charles Fisher, fundador de Unlearn.AI, empresa pionera en esta tecnología, ya existen soluciones a los problemas de privacidad y sesgo de los datos. «La privacidad es sencilla. Solo trabajamos con datos que ya han sido anonimizados».

Al hablar de sesgo, afirma que, si bien el problema no se ha resuelto por completo, no es relevante para los resultados del estudio. Debido a que los estudios son aleatorios, incluso si existe algún sesgo en los datos, no afecta los resultados. Sin embargo, algunos expertos no están de acuerdo con esta idea. Dicen:Dado que se compara a una persona real con un modelo informático, cualquier error en dicho modelo puede afectar directamente a los resultados.

Sin embargo, Unlearn.AI ya colabora con compañías farmacéuticas en el diseño de ensayos clínicos para enfermedades neurológicas como el Alzheimer, el Parkinson y la esclerosis múltiple. Eligieron estas enfermedades como punto de partida porque cuentan con más datos que otras. Fisher afirma que si el método pudiera aplicarse algún día a todas las enfermedades, podría reducir significativamente el tiempo que tardan los nuevos fármacos en llegar al mercado.